大家用 Claude Code、Cursor、Codex 这类 AI 编程工具时，应该都遇到过这种情况：只是想让 Agent 改个小功能，结果上下文很快就见底了。其实，大多数时候 token 消耗得快，并不一定来自特别复杂的推理，通常是 Agent 常用到的小动作带来的。
比如说，为了理解代码，Agent 会一遍遍地 grep、read、扫文件；为了跑个测试，把一大段日志、报错、diff、命令输出都塞进上下文。
这些必要的操作，因为夹杂了大量的“噪音”，导致 token 消耗量激增。
今天我们就来分享 3 个有用的开源项目，专门帮你的 Coding Agent 整理“上下文”：让它少翻无关代码，少吞冗长日志，把 token 留给更关键的信息。这就是今天要讲的 3 个项目：
CodeGraph：让 Agent 少翻代码
RTK：让 Agent 少吃命令输出
Tokalator：帮你看清 token 消耗
CodeGraph：先给代码库建一张图
先说 CodeGraph，这是上周 RTK 项目介绍贴图下 @胡琦 推荐的项目，他说他最近用 CodeGraph 比较多，在这里感谢下他的推荐 👏。
这是它的项目名片：
CodeGraph = {
"地址": "github.com/colbymchenry/codegraph",
"标星": "43.4k",
"开发语言": "TypeScript",
"特点": ["本地代码知识图谱", "MCP 接入", "减少 Agent 代码探索成本"],
}
Agent 要理解一个代码库，通常会从文件开始探索，而 CodeGraph 要解决的就是这个 Agent 如何高效地理解某个代码库的问题。
普通的 Agent 读代码库，会先看代码目录结构，再搜关键词，再读几个文件，再继续追函数调用，从而构建整个代码库的全貌。这个了解代码库的过程和我们自己接手一个陌生项目很相似，唯一的区别是…Agent 多读一点东西，就是多消耗点 token。
CodeGraph 读代码库的思路是：与其让 Agent 每次都从零开始翻代码，不如先把代码库整理成一张结构化的图。这张图包含了代码库中函数、类、文件、调用关系、导入关系等关键信息。Agent 需要理解某个功能时，可以先查这张图，知道相关代码大概在哪里、谁调用了谁、哪些文件可能有关。这样一来，Coding Agent 不用一上来就把很多文件都塞进上下文。
简单来说，CodeGraph 就是给代码库做了一份“结构地图”，让 Agent 找代码时少走弯路。
它适合的 Coding 场景也很清楚：当项目比较大、文件比较多、调用关系比较绕时，CodeGraph 能大大减少 grep 和 read 的相关操作。只要提前把代码结构整理好，让 Agent 更快进入关键部分。
所以，CodeGraph 省的是这部分 token：Agent 为了找到相关代码而消耗掉的上下文。
RTK：让命令输出别那么占上下文
第二个是 RTK，也就是 Rust Token Killer。它解决的是另一类浪费：命令输出。
这是它的项目名片：
RTK = {
"地址": "github.com/rtk-ai/rtk",
"标星": "59.6k",
"开发语言": "Rust",
"特点": ["命令输出压缩", "支持 100+ 常用开发命令", "减少 Agent 读取日志和 diff 的 token 消耗"],
}
Coding Agent 写代码时，会经常性执行像是git diff、npm test、cargo test、docker ps、pytest、go test…之类的命令。这些命令的输出对 Agent 很有用，因为它要根据输出结果来判断下一步怎么做。
但问题也来了，那就是这些操作的原始输出经常很长。测试日志中，会有大量和任务无关的重复信息；构建的输出中也存在很多和错误无关的内容；diff 里也有 Agent 暂时不需要看的细节…如果这些与任务无关的内容，一旦直接进入模型上下文，就会浪费我们的 token。
作为一个 CLI 代理，RTK 处于命令输出和 Agent 之间，会先把命令的输出压缩、过滤、整理一下，再交给模型处理。这样 Agent 看到的就不是一大堆原始日志，而是更适合它阅读的缩减版本。
这类工具的好处很直观，它不会改变你写代码的主要流程，也不要求你重新理解一套复杂系统。它只做一件很具体的事，那就是把命令结果变短、变干净、变有用。
所以，RTK 省的是这部分 token：Agent 读取测试日志、报错信息、diff、命令结果时消耗掉的上下文。
RTK 的工作原理：
Tokalator：看清 token 到底花在哪
上面两个工具，一个帮 Agent 少翻代码，一个帮 Agent 少吞命令输出。Tokalator 关注的是另一个问题：token 到底花到哪里去了？
Tokalator 是一个面向 AI Coding 场景的 context engineering 工具包，里面包含 VS Code 扩展、CLI、MCP Server、usage tracker 等组件。项目的重点不是替你改代码，而是帮你监控和分析上下文预算。
这是它的项目名片：
Tokalator = {
"地址": "github.com/vfaraji89/tokalator",
"开发语言": "TypeScript",
"特点": ["实时 Token 预算监控", "MCP/CLI 接入", "看清上下文消耗来源"],
}
一般来说，你在 IDE 里开了很多文件，或者给 Agent 塞了很长的说明性文件，都会占用上下文。大多数时候，我们并不能清晰地感知到这些 token 是怎么被消耗掉的。
有了 Tokalator，你就可以直观地看到这些原本并不可见的消耗：当前上下文用了多少、预算还剩多少、哪些内容可能正在拖累上下文效率。它就像是一个“token 仪表盘”，让你清晰地了解到 token 浪费发生在哪里。知道浪费在哪，我们就好调整上下文、文件选择和提示词，节省 token 消耗了。
一些好用的省 token 小工具
还有一些同类项目
除了上面这几个，最近也有不少项目在做相近方向。它们不一定都适合放进主文里展开，但可以作为延伸项目看看。
Claude Context 和 CodeGraph 的方向比较接近，都在帮 Agent 快速找到代码库里的相关上下文。区别在于，CodeGraph 更偏代码结构图，Claude Context 更偏语义代码搜索。它可以让 Claude Code 和其他支持 MCP 的 AI Coding Agent，直接从整个代码库里搜索相关代码，减少多轮 grep 和 read。地址：github.com/zilliztech/claude-context
和 CodeGraph 类似，Codebase-Memory 也是代码知识图谱方向。它基于 Tree-Sitter 解析代码库，通过 MCP 给 Agent 使用。和 CodeGraph 相比，它更偏研究型一点，会把“代码库记忆”提前整理好，减少 Agent 每次从文件里重新探索。地址：github.com/DeusData/codebase-memory-mcp
Headroom 和 RTK 比较相近，都在做上下文压缩。RTK 偏开发命令输出，比如测试日志、diff、报错信息；Headroom 覆盖面更广，压缩对象包括 tool outputs、logs、files、RAG chunks、conversation history 等，会更像一个通用的 LLM 上下文压缩层。地址：github.com/chopratejas/headroom
OpenViking 关注 Agent 的上下文数据库。它想用类似文件系统的方式，把 memory、resource、skill 这类信息统一管理起来。和 RTK 那种“直接压缩 token”的工具不同，OpenViking 是通过“少塞、不乱塞、按需取”来间接减少上下文浪费。地址：github.com/volcengine/OpenViking
上面这些项目放在一起看，是在处理这些不同位置的 token 使用问题：
找代码：CodeGraph、Claude Context、Codebase-Memory
压缩输入和输出：RTK、Headroom
管理长期上下文：OpenViking
监控 token 预算：Tokalator
本文只挑了 3 个更具代表性的项目来讲解，剩下的项目感兴趣的小伙伴可以当作延伸阅读，适当了解下。
