让 Claude Code 成本爆降 89%，这个开源工具有点猛…

# 让 Claude Code 成本爆降 89%，这个开源工具有点猛…

说到 AI 编程工具，很多人第一时间想到的就是 Claude Code。不得不说，它的能力确实强，但用过的人都知道，这玩意儿烧 token 的速度也是相当惊人。

经常遇到这样一种尴尬的情况：才刚开始对话没多久，上下文窗口就莫名其妙地满了。原本以为是自己代码量太大，结果一查才发现，原来是终端里那些乱七八糟的输出信息把空间给吃掉了。

每次 AI Agent 在终端执行命令，输出的结果会一股脑儿塞进上下文窗口里。而上下文窗口说白了就是 AI 的”工作记忆”，空间有限，满了就得从头开始。

打个比方，跑一次 cargo test，光测试日志就能占用 4000+ token。再来几次 git diff、grep 搜索，上下文基本就宣告阵亡了。这些终端输出的”噪音”把 AI 的思考空间给挤占了，真正有用的代码逻辑反而没地方放。

## 一个专治”上下文焦虑”的开源利器

最近圈子里出了一个新工具叫 RTK，全称是 Rust Token Killer。这名字起得相当直接——它就是来”猎杀”无用 token 的。

RTK 本质上是一个用 Rust 编写的 CLI 代理层。它的工作原理很简单：在终端命令的输出结果到达 AI 之前，先帮它过一遍滤网，把那些没用的噪音删掉，只保留最关键的信息。

相当于给 AI 配备了一个专属”过滤器”，脏水进不去，只喝干净的。

有位开发者使用 RTK 几周后做了份统计报告，结果显示节省了惊人的 88.9% token。这个数字听起来有点夸张，但看完下面的数据对比你就明白了。

## 压缩效果有多夸张

官方给出了一份基于 2900+ 次真实命令的统计对比数据，确实相当震撼。

以 cargo test 为例，原始输出大约 4823 个 token，经过 RTK 处理后直接压缩到只剩 11 个 token，压缩率高达 99%。那些冗长的测试日志、警告信息、进度条全被砍掉，只告诉 AI 最终结论。

git diff 的效果同样惊人，2 万多 token 的原始 diff，处理后压到 1200 token 左右，缩减 94%。git status 从 120 token 压到 30 token，grep 结果从 2000 token 压到 940 token。

## 四招组合拳，打得噪音无处遁形

RTK 之所以能做到这么极致的压缩效果，主要依靠四种核心策略的协同配合：

**智能过滤**：把注释、空白行、样板代码这类对 AI 完全没用的内容直接删掉。

**分组聚合**：将类似的内容合并展示。比如 grep 搜索出来的结果，会按文件分组，同一个文件的匹配行合并在一起，而不是把所有结果平铺展示。

**智能截断**：保留最有价值的上下文信息，删除重复冗余的部分。

**去重合并**：日志里反复出现的相同行，合并成一条并附带出现次数。

这四种策略组合出击，基本覆盖了开发过程中最常见的”废话场景”。

## 三步搞定安装，上手零门槛

RTK 是一个单一二进制文件，零依赖配置，安装过程非常友好。支持 Claude Code、Cursor、Codex、Gemini CLI 等主流 AI 编码工具。

**macOS 用户**直接用 Homebrew 一行命令搞定：

“`bash
brew install rtk
“`

**Linux 用户**用一键安装脚本：

“`bash
curl -fsSL https://raw.githubusercontent.com/rtk-ai/rtk/refs/heads/master/install.sh | sh
“`

**Windows 用户**目前需要去 GitHub Releases 页面手动下载对应的二进制文件。

安装完成后，运行一条命令开启自动 hook：

“`bash
rtk init –global
“`

这一步会在 Claude Code 里装上一个拦截机制，每次 AI 准备执行终端命令时，RTK 会先接管处理，自动压缩输出。不需要手动在每条命令前加 rtk。重启 Claude Code 后就生效了。

如果想看看具体省了多少 token，可以运行 `rtk gain`，会输出一份详细的统计报告，显示总共处理了多少命令、节省了多少 token、各命令的平均压缩率。

## 写在最后

AI 编码工具这两年的进化速度确实飞快，从最初的代码补全到现在的 Agent 自主写代码，能力边界一直在扩张。

但有一个问题始终没被正面解决：上下文窗口的利用率。虽然模型越来越大，窗口也越来越长，但塞进去的内容里有相当一部分是终端输出的噪音。这是一种隐性的浪费，既消耗配额，又干扰推理质量。

给 AI 送进去的每一个 token，都应该是有价值的。

RTK 这次切入的角度很精准，不是让模型变得更聪明，而是让进入模型的信息变得更干净。装上它之后，AI 的每一次思考，都能用在真正该用的地方。

**GitHub 项目地址**：https://github.com/rtk-ai/rtk

今天的分享到此结束，我们下期再见！