RTK：58k 星的 Rust Token Killer，一次命令省 80% Token

看完你会发现，你之前的 Token 都白烧了。

用 Claude Code 写代码的人，30 分钟的 session 平均消耗约 118,000 Token。其中大部分不是 LLM 在"思考"，而是 git status 的 2000 Token、cargo test 的 25000 Token、grep 的 16000 Token——全都是命令输出把上下文撑爆的。

RTK（Rust Token Killer） 干的事情简单粗暴：在命令输出到达 LLM 之前，先压缩它。单个 Rust 二进制，零依赖，100+ 命令支持，额外延迟不到 10ms。结果是同样的 30 分钟 session，Token 从 118,000 降到 23,900——省了 80%。

58,664 星，3,608 fork，Apache 2.0 协议。这不是一个小项目，这是目前 Token 优化领域最火的工具。

本文提纲

1. 30 分钟省了多少钱——真实数据
2. 它怎么做到的：四层压缩策略
3. 一行命令接入 14 个 AI Agent
4. 支持 100+ 命令的覆盖范围
5. 失败了怎么办——Tee 恢复机制
6. 跟 Headroom 的区别

30 分钟省了多少钱——真实数据

项目给出了一个中等规模 TypeScript/Rust 项目的 30 分钟 Claude Code session 对比：

操作	频次	标准 Token	RTK Token	节省
ls / tree	10x	2,000	400	80%
cat / read	20x	40,000	12,000	70%
grep / rg	8x	16,000	3,200	80%
git status	10x	3,000	600	80%
git diff	5x	10,000	2,500	75%
cargo test / npm test	5x	25,000	2,500	90%
pytest	4x	8,000	800	90%
docker ps	3x	900	180	80%
合计		~118,000	~23,900	80%

按 Claude Sonnet 的价格（$3/M input），一次 session 省 $0.28。一天跑 10 个 session 就省 $2.8，一个月省 $60+。团队用的话 ROI 更明显。

它怎么做到的：四层压缩策略

RTK 对每条命令按类型应用四层策略：

1. Smart Filtering：去噪声——注释、空行、boilerplate
2. Grouping：聚合相似项——按目录归组文件、按类型归组错误
3. Truncation：保留关键上下文，砍掉冗余重复
4. Deduplication：合并重复的日志行，只记次数

看几个直观的例子：

# git push — 标准 vs RTK
# 标准（~200 tokens）          # RTK（~10 tokens）
Enumerating objects: 5, done.   ok main
Counting objects: 100% (5/5)...
Delta compression using up...

# cargo test 失败 — 标准 vs RTK
# 标准（200+ 行）              # RTK（~20 行）
running 15 tests                 FAILED: 2/15 tests
test utils::test_parse ... ok      test_edge_case: assertion failed
test utils::test_format ... ok     test_overflow: panic at utils.rs:18
...

最极端的案例是 git add/commit/push：标准输出吃 1,600 Token，RTK 压到 120——92% 压缩率。

一行命令接入 14 个 AI Agent

RTK 最聪明的设计是 auto-rewrite hook。安装后，Agent 的 Bash 命令会被透明地改写为 RTK 版本：

# 安装（以 Claude Code 为例）
rtk init -g

# 之后 Agent 执行的 git status → 自动变成 rtk git status
# Agent 完全无感，100% adoption，零额外 Token

14 个 Agent 工具的支持矩阵：

Agent	安装命令	接入方式
Claude Code	rtk init -g	PreToolUse hook
GitHub Copilot	rtk init -g --copilot	PreToolUse hook
Cursor	rtk init -g --agent cursor	hooks.json
Gemini CLI	rtk init -g --gemini	BeforeTool hook
Codex	rtk init -g --codex	AGENTS.md
Windsurf	rtk init -g --agent windsurf	.windsurfrules
Aider	rtk init -g	代理启动
Hermes	rtk init --agent hermes	Python plugin
Cline / Roo Code	rtk init --agent cline	.clinerules

关键点：不需要改任何项目代码，装上就行。Hook 在 Bash 层面拦截，Agent 透明接收压缩后的输出。

支持 100+ 命令的覆盖范围

RTK 不只是压 git。它的命令覆盖范围让大多数开发场景都能受益：

文件操作：ls、read、find、grep、diff、smart（两行代码摘要）

Git 全家桶：status、log、diff、add、commit、push、pull

GitHub CLI：pr list/view、issue list、run list

测试框架：jest、vitest、pytest、cargo test、go test、rspec、rake test、playwright

构建 & Lint：tsc、ruff check、cargo build/clippy、golangci-lint、next build

包管理器：pnpm list、pip list、bundle install

云 & 容器：docker ps/images/logs、kubectl pods/logs/services、aws ec2/lambda/s3/iam

数据工具：json、deps、env、log、curl、summary

还有一种通用方式——rtk test <cmd> 和 rtk err <cmd>，把任意命令的输出压缩到只留失败或错误信息，压缩率 90%。

失败了怎么办——Tee 恢复机制

压缩最怕的是：砍掉了关键信息，LLM 看不到报错细节。

RTK 的解法是 Tee 模式：命令失败时，完整原始输出自动保存到本地文件。LLM 看到的是压缩后的摘要 + 原始文件路径，需要深挖时可以直接读取：

FAILED: 2/15 tests
[full output: ~/.local/share/rtk/tee/1707753600_cargo_test.log]

这比 Headroom 的 CCR 可逆压缩简单直接得多——不需要额外工具调用，文件系统就是你的恢复层。

跟 Headroom 的区别

上一篇介绍了 Headroom（11k 星），两者经常被拿来比较，但定位其实不同：

维度	RTK	Headroom
压缩目标	CLI 命令输出	所有上下文（tool 输出 + RAG + 对话 + 代码 + 图片）
实现方式	Rust 二进制，命令拦截	Python/TS 库 + Proxy + MCP
压缩算法	规则型（过滤/分组/截断/去重）	ML 模型 + 规则混合（Kompress-base）
可逆性	Tee 文件保存	CCR 按需取回
适用场景	Agent 编码工作流	更广泛的 LLM 应用
额外学习	无	headroom learn 失败挖掘

简单说：RTK 是命令级压缩，Headroom 是全上下文压缩。两者可以配合使用——事实上 Headroom 已经内置了 RTK 作为 CLI 输出的第一层处理器。

对了，RTK 还自带分析工具。rtk gain --graph 会输出最近 30 天的 ASCII 图表，rtk discover 会告诉你哪些命令还没被覆盖、错过了多少节省机会。对数据控来说，这个反馈循环很上瘾。

你的 Agent 每天烧多少 Token？评论区聊聊。觉得有用点个赞让更多人看到。

---

作者: itech001 来源: 公众号：AI人工智能时代 网站: https://www.theaiera.cn/ 每日分享最前沿的AI新闻资讯和技术研究。

本文首发于 AI人工智能时代，转载请注明出处。