juyterman1000/entroly

Compress tool outputs, logs, files, conversations, and RAG context before they reach the model. On measured workloads, Entroly reduces unnecessary tokens by up to 90% while preserving answer-critical evidence through budget-aware selection, content-addressed recovery, and auditable Context Receipt. Works with Claude, Chatgpt/Codex,Openclaw.

解决的问题

Entroly 是一个专为管理发送给 AI Agent 的信息而设计的“Context OS”，旨在防止由于上下文窗口溢出导致 Agent 崩溃或成本过高。它解决了“失控会话（runaway sessions）”问题（即自主循环不断追加日志直到提供商拒绝请求），并确保在为了节省 Token 而压缩上下文时，最重要的证据能够被保留并保持可恢复状态。

工作原理

Entroly 作为位于 AI Agent 和 LLM 提供商之间的本地可观测性和决策层。它结合使用 BM25、熵评分（entropy scoring）、SimHash 去重和依赖图，在特定的 Token 预算下对价值最高的证据进行排序和选择。

核心机制包括：

可恢复的压缩 (Recoverable Compression)：通过内容寻址句柄在本地保留被省略文本的原始版本，允许 Agent 在需要时检索精确的数据块。
代理卫士 (Proxy Guard)：当用作代理时，它会监控传出请求，并在“实时区域（live zone）”中压缩重复的工具输出，同时保留结构化元数据和错误。
WITNESS：一个本地验证系统，无需额外的模型调用即可根据提供的证据检查模型回答。
稳定前缀 (Stable Prefixing)：它维护稳定的系统和历史字节，以保护原生提供商的缓存边界，减少冗余处理。

适用对象

使用 Claude Code、Cursor、Aider 或自定义 MCP 客户端等工具的 AI Agent 开发者和企业团队，他们需要降低 API 成本、防止会话崩溃，并保持模型实际阅读内容的审计追踪。

亮点

本地优先架构：使用 Python（可选 Rust 加速）或 Node/WASM 在本地运行。
全面的工具链：提供 CLI、SDK、MCP 服务器和 Proxy，以便灵活集成。
证据收据 (Evidence Receipts)：生成关于包含内容、省略内容以及每个选择相关的潜在风险的详细报告。
多提供商支持：兼容 OpenAI、Anthropic、Gemini 以及 Ollama/LM Studio 等本地提供商。