AI Token Optimizer 工作流
📌 适用场景：配置 profile → 上下文去重压缩 → 应用到会话
本地 AI 上下文压缩器：针对 Claude Code / Codex / Cursor 的 profile 做上下文去重与压缩，降低 token 消耗。MIT。多工具通用的省钱型工作流。
📋 完整步骤
- 1
配置 profile
指定 Claude Code/Codex/Cursor 的 profile 路径，配置去重与过滤规则。
- 2
运行上下文压缩
执行上下文去重、Git diff 优先级与生成文件过滤，输出精简上下文。
- 3
应用到会话
把精简后的上下文复用于新会话，降低 token 消耗。
这是什么？适合谁？
AI Token Optimizer（uniqueplume/AI-Token-Optimizer-Claude-Codex-Cursor）是一个本地 AI 上下文压缩工作流：本地 AI 上下文压缩器：针对 Claude Code / Codex / Cursor 的 profile 做上下文去重与压缩，降低 token 消耗。MIT。多工具通用的省钱型工作流。
核心价值：针对 Claude Code/Codex/Cursor 的 profile 做上下文去重、Git diff 优先级、生成文件过滤与对话摘要，降低 token 消耗。
适合人群：
- 高频使用编码 Agent 的开发者
- 想降低 token 成本的团队
- 需要上下文管理的工程师
使用前提：本机已配置 Claude Code/Codex/Cursor 的 profile；C# 运行环境
准备工作
- 安装：git clone 后按 README 构建
- 环境：C# 运行时 + 编码 Agent profile
- 数据：本地的 agent profile 文件
- 成本：MIT 开源免费
- 时间：安装 + 首次压缩约 15 分钟
3 步核心流程
第一步：配置 profile
指定 Claude Code/Codex/Cursor 的 profile 路径，配置去重与过滤规则。
预期产出：可用的 profile 配置
第二步：运行上下文压缩
执行上下文去重、Git diff 优先级与生成文件过滤，输出精简上下文。
预期产出：精简后的上下文与 token 估算
第三步：应用到会话
把精简后的上下文复用于新会话，降低 token 消耗。
预期产出：省 token 的新会话上下文
初级用法
上下文去重
移除重复上下文内容。
Git diff 优先级
按 diff 优先级保留关键变更。
生成文件过滤
过滤构建生成文件，保留源码。
高级玩法
对话摘要
把历史对话压成摘要。
多工具 profile 统一
统一管理多个编码 Agent 的 profile。
token 估算与预算
量化每次压缩省下的 token。
小技巧
-
- 压缩前备份 profile
-
- 关键上下文先加白名单
-
- 生成文件过滤规则按项目定制
-
- 定期压缩，别等上下文爆炸
-
- 压缩后验证 Agent 仍能正确回答
常见踩坑
踩坑 1：误删关键上下文
- 现象：压缩后 Agent 答错
- 原因：过滤规则过宽
- 解决：关键内容加白名单
踩坑 2：profile 损坏
- 现象：Agent 无法启动
- 原因：压缩出错
- 解决：压缩前备份 profile
踩坑 3：规则不适配项目
- 现象：过滤结果不对
- 原因：通用规则不匹配
- 解决：按项目定制过滤规则
踩坑 4：省 token 但降质量
- 现象：回答变差
- 原因：压缩过度
- 解决：平衡压缩率与质量
踩坑 5：项目较新
- 现象：功能有限
- 原因：2026-08 新建
- 解决：以 README 为准
常见问题 FAQ
Q1: 它能省多少 token？
A: 取决于上下文重复程度，提供 token 估算，以 README 为准。
Q2: 免费吗？
A: MIT 开源免费。
Q3: 支持哪些工具？
A: Claude Code、Codex、Cursor 的 profile。
Q4: 会影响回答质量吗？
A: 压缩需平衡，建议压缩后验证。
Q5: 需要什么环境？
A: C# 运行时与本地 agent profile。
进阶学习建议
掌握基础后，建议深入：
-
- 研究编码 Agent 上下文的构成与压缩策略
-
- 建立按项目的过滤规则库
-
- 量化 token 成本与压缩收益
参考链接
最后更新：2026-09-01 · 作者：MagicNetWorld · 基于公开资料整理，关键数据经 GitHub API 独立实测核验，AI 辅助生成
📊 评分与标签
评分说明
总分 6.8/10 · S_入选
📊 可观测社区指标（采集日期：2026-09-01）
- GitHub: uniqueplume/AI-Token-Optimizer-Claude-Codex-Cursor ★13, 🔱2（GitHub API 实时验证）
- License: MIT；仓库创建 2026-08-30，最后推送 2026-08-31
- 语言: C#；定位「本地 AI 上下文压缩工作流」
📋 流程完整性 2.0/3.0
- 配置→压缩→应用链路完整，含去重/diff优先级/过滤
- 来源：官方仓库
- 竞品对比 1（手动清理）：无自动化
- 竞品对比 2（单功能脚本）：无全链路
🔄 可复用性 1.7/2.5
- 多工具通用 profile 可复用
- 来源：官方仓库
- 竞品对比 1（一次性脚本）：难复用
- 竞品对比 2（手动流程）：不可复用
📖 文档清晰度 1.3/2.0
- 步骤明确但文档较简
- 来源：官方仓库
- 竞品对比 1（详尽工具）：更全
- 竞品对比 2（过简）：缺细节
🔧 工具集成 1.2/1.5
- 覆盖 Claude Code/Codex/Cursor 三类 profile
- 来源：官方仓库
- 竞品对比 1（单一工具）：集成少
- 竞品对比 2（平台绑定）：受限
💡 创新性 0.6/1.0
- token 优化常见但多工具统一有实用价值
- 来源：官方仓库
- 竞品对比 1（传统方案）：无多工具
- 竞品对比 2（AI 方案）：无本地化
评分依据可追溯至公开来源，每项分数均有明确理由和数据支撑。
🏷️ 标签说明
- 编程开发: 编码上下文优化 来源：官方仓库
- 开源免费: MIT 开源协议 来源：官方仓库
- Token优化: 降低 token 消耗 来源：官方仓库
- 上下文压缩: 上下文去重压缩 来源：官方仓库
- 多工具: 覆盖多个编码 Agent 来源：官方仓库
📋 来源核实
- ✅ 已验证: GitHub 仓库 - stars/forks/license/pushed_at/语言经 GitHub API 实时核验（2026-09-01）
- ✅ 已验证: 官方 README - 能力与定位比对
- ⚠️ 未实测: AI Token Optimizer 的端到端运行流程
- ⚠️ 未验证: 生产环境的稳定表现
⚠️ 局限与未实测声明
- 本文基于 2026-09-01 GitHub 公开信息整理，未实际运行 AI Token Optimizer
- 项目较新（2026-08-30 创建），能力与命令以仓库 README 为准