yvgude/lean-ctx

解决的问题

LeanCTX 是一个位于 AI 工具与其访问信息之间的上下文网关。它能防止 AI 代理被噪声或冗余数据淹没，在减少 Token 使用量与成本的同时，提升输入至 LLM 的信息聚焦度。

运作原理

LeanCTX 在两个层面上运作：读取路径 (read path) 与传输路径 (wire path)。在读取路径上，它使用 MCP 服务器与 shell hooks，在信息到达 AI 工具前进行选择、压缩与过滤。在传输路径上，可选的代理服务器能将请求路由至模型提供商，进一步减少提示词与历史内容。

关键机制包括：

• 上下文压缩 (Context Compression)：使用 16 种不同的读取模式（如 map、signatures 与 density）以及 Tree-sitter AST 来进行 27 种语言的结构化理解，以减少 Token 数量。
• 智能分类 (Intelligent Triage)：通过 IntentEngine 与 ModePredictor 对查询复杂度进行分类，并学习针对不同文件类型的最佳读取模式。
• 知识路由 (Knowledge Routing)：维护本地知识图谱、会话记忆与属性图谱，用于跨来源的上下文与影响分析。
• 使用证据 (Usage Evidence)：通过本地账本与浏览器仪表板追踪成本与结果，并以“每次接受结果的成本”(CPAO) 作为主要指标。

目标用户

使用 AI 编码助手（如 Claude Code、Cursor 或 Codex）的开发者，希望降低 Token 成本、更严格地控制 AI 可见范围，并保持会话记忆的本地化与可移植性。

特色亮点

• Token 减少：针对文件读取与 85 种以上的 shell 输出模式（如 git、npm、docker）进行工作负载特定的压缩。
• JIT 揭露：通过 signatures 与 lines:N-M 模式，优先提供大纲并按需展开内容。
• 本地优先记忆：会话状态与知识图谱存储在本地，并可导出为 .ctxpkg 包。
• 影子模式 (Shadow Mode)：模拟基准测试以估算潜在的 Token 与成本节省，且不影响当前工作流程。
• LSP 集成：通过 ctx_refactor 支持由语言服务器驱动的重构与导航（重命名、跳转至定义）。