| 失效链接处理 |
|
能让你的 AI 编程 Token 降低 60% 以上的开源神器：目前 GitHub 狂揽约 4.2 万星标
相关截图：
 主要内容：
如果你经常用 Claude Code、Cursor、Gemini CLI、Codex 之类的工具写代码，你一定遇到过这种尴尬：模型明明只是想看一眼 git status、cargo test 或一大段 grep 结果，结果却要把 整段终端输出 搬进上下文里。输出越长，账单越疼，上下文也越容易被“噪声”占满。
今天要聊的 rtk-ai/rtk，就是一个定位非常“朴素却致命”的开源项目：在命令输出进入大模型之前，先做过滤、聚合、截断与去重，把常见开发命令的返回内容压缩到模型真正需要的那部分。项目在 GitHub 上已经积累了 约 4.2 万个 Star（热度仍在快速上升），自称在常见工作流里可以把 LLM 相关的 token 消耗降下来 大约 60%～90%——具体幅度当然取决于你的仓库规模、命令频率和输出形态，但思路本身非常清晰：别喂模型“整包饲料”，先压缩成“高密度信息”。
先说结论：它到底解决什么问题
在日常 AI 编程里，“模型执行命令”的成本常常不是 命令本身，而是 命令输出。尤其当你反复跑测试、lint、构建日志、目录树、git diff 时，输出里大量重复行、无关 banner、以及过长路径，会迅速挤占上下文窗口，并且按 token 计费的产品还会直接反映到费用上。
RTK 要做的，就是把这类输出在进入模型前做一次 针对性瘦身。它不是替代你的 shell，也不是替代模型；它更像一个站在中间的 CLI 代理，把“终端返回给 AI 的内容”变得短、准、可追踪。
RTK 是什么
RTK（仓库里也常被称作 Rust Token Killer）是一个用 Rust 实现的高性能命令行工具：单个二进制、对外宣称零额外依赖（针对工具分发形态而言），并且内置对 100+ 常见开发命令的过滤与压缩策略。项目主页见：https://github.com/rtk-ai/rtk，官方文档站点见：https://www.rtk-ai.app。
你也可以把它理解成：当你让 AI 执行 bash 命令时，终端仍跑真正的 git / cargo / pytest，但 返回给模型的文本 会先经过 RTK 的规则处理。
它如何工作：中间层代理 + 命令级优化策略
官方 README 里把它概括成四条主要手段（对不同命令类型的组合程度不同）：
智能过滤：去掉噪声，例如冗余注释样式信息、无关紧要的空行、bootstrap 话术等。
分组聚合：把同质信息合并，例如同类错误归类、同类文件归类展示。
截断保留：宁可少而精，也把“最关键的上下文骨架”留下来。
去重重叠：对重复刷屏的日志进行折叠，并附带计数摘要。
从整体链路看，可以理解为模型仍然发出 git status 之类指令，但经过 hook 重写后执行的是 rtk 包装版本，从而让模型拿到的返回更短：
这里有一个非常关键、也非常“现实”的细节：hook 通常只作用于 Bash 工具调用。如果某些 AI 产品内置了 Read、Grep、Glob 这类不走 bash 的路径，它们可能 不会自动被 RTK 重写。官方也建议：在这些场景下改用 shell 的 cat/head/tail、rg/grep、find，或者显式调用 rtk read、rtk grep、rtk find。 |
苏公网安备 32061202001004号
