Headroom：最高减少 92% Token，用 AI 编程时别再把钱浪费在无效上下文上

Mon, 27 Jul 2026 20:09:00 +0800

使用 Claude Code、Codex、Cursor 等 AI 编程工具时，真正消耗 Token 的往往不只是你输入的提示词。

代码搜索结果、终端日志、报错堆栈、GitHub Issue、历史对话和 RAG 检索内容，都会被不断塞进上下文。随着任务持续进行，上下文越来越长，每次请求的成本和等待时间也会随之增加。

最近发现的开源项目 Headroom，就是专门解决这个问题的。

它会在日志、代码、文件和工具输出发送给大模型之前，先识别内容类型并压缩其中的重复信息和低价值内容，让模型尽量只接收真正需要的信息。

根据项目公开测试，部分场景可以减少约 47%—92% 的输入 Token。

Headroom 是什么？

Headroom 是一个面向 AI Agent 和 AI 编程工具的上下文压缩层。

简单理解，它位于 AI 工具与大模型 API 之间：

Claude Code / Codex / Cursor
            ↓
         Headroom
     压缩日志、代码和历史上下文
            ↓
   OpenAI / Anthropic 等模型

它并不是简单粗暴地删除历史消息，而是根据内容类型选择不同的压缩方式。

例如：

JSON 数据使用结构化压缩
源代码按照 AST 语法结构处理
普通文本使用专门的压缩模型
重复日志、无关字段和冗余搜索结果会被优先精简
原始内容可保存在本地，需要时仍可重新获取

Headroom 默认在本地运行，项目说明中表示，处理的数据可以保留在本机，而不需要额外上传到第三方压缩服务。

实际能节省多少 Token？

Headroom 项目给出了几组真实 Agent 工作负载测试数据：

使用场景	压缩前	压缩后	Token 减少
代码搜索，返回 100 条结果	17,765	1,408	92%
SRE 事故日志排查	65,694	5,118	92%
GitHub Issue 分类	54,174	14,761	73%
大型代码库探索	78,502	41,254	47%

这组数据说明，Headroom 最适合处理大量结构化数据、搜索结果和重复日志。

如果只是几句话的简单问答，压缩空间通常不会特别明显；但在大型代码仓库、持续调试或多 Agent 工作流中，每次节省的 Token 会不断累积。

压缩后会不会影响回答质量？

这是使用上下文压缩工具时最需要关注的问题。

Headroom 项目公开了 GSM8K、TruthfulQA、SQuAD v2 和 BFCL 等测试结果：

测试项目	原始结果	使用 Headroom	变化
GSM8K 数学推理	0.870	0.870	无变化
TruthfulQA 事实问答	0.530	0.560	小幅提升
SQuAD v2 问答	—	97%	19% 压缩率
BFCL 工具调用	—	97%	32% 压缩率

从项目公布的数据看，压缩后没有出现明显的准确率下降，部分测试结果甚至略有提高。

不过需要注意，这些结果主要来自项目方自己的测试环境，并不能代表所有代码库和业务场景。更稳妥的做法，是先在自己的项目中运行一段时间，对比压缩前后的回答质量和 Token 消耗，再决定是否长期启用。

Headroom 支持哪些 AI 编程工具？

Headroom 已经适配多种常见 AI 编程工具，包括：

Claude Code
OpenAI Codex
Cursor
Aider
GitHub Copilot CLI
OpenCode
Cline
Continue
Goose
OpenHands
Grok CLI
Kimi CLI

对于 Claude Code、Codex 和 Aider 等工具，可以直接通过 headroom wrap 启动。

Cursor 目前主要采用手动配置代理地址的方式接入。

此外，Headroom 也支持 Python、TypeScript、LangChain、Agno、LiteLLM、Vercel AI SDK 和 MCP 客户端，适合接入已有的 AI 应用或 Agent 系统。

最简单的安装方法

Headroom 要求 Python 3.10 或以上版本。

推荐使用 uv 进行隔离安装：

`1`	`uv tool install --python 3.13 "headroom-ai[all]"`

也可以直接使用 pip：

`1`	`pip install "headroom-ai[all]"`

安装完成后检查版本：

`1`	`headroom --version`

需要注意，npm 版本只是 TypeScript SDK，并不包含 headroom 命令行工具：

`1`	`npm install headroom-ai`

因此，想直接使用 headroom wrap、代理服务或 MCP 功能，应该优先安装 Python 版本。

在 Claude Code 中使用

安装完成后执行：

`1`	`headroom wrap claude`

Headroom 会启动本地代理，并通过代理启动 Claude Code。

之后，Claude Code 读取代码、运行命令或分析日志时，相关上下文会先经过 Headroom 处理，再发送给模型。

可以使用以下命令检查运行状态：

`1`	`headroom doctor`

查看压缩性能：

`1`	`headroom perf`

打开节省统计面板：

`1`	`headroom dashboard`

在 Codex 中使用

Codex 可以通过下面的命令启动：

`1`	`headroom wrap codex`

如果 Codex 无法识别终端里的 headroom 命令，可以先查询完整路径：

`1`	`command -v headroom`

然后把返回的绝对路径写入 Codex 的 MCP 配置：

1
2
3

[mcp_servers.headroom]
command = "/你的绝对路径/headroom"
args = ["mcp", "serve"]

这种情况通常不是 Headroom 安装失败，而是 Codex 启动时没有继承当前终端的 PATH 环境变量。

跨 Agent 共享记忆

Headroom 不只是压缩工具，还提供跨 Agent 共享上下文的能力。

例如，你可以让 Claude Code 和 Codex 使用同一个本地记忆存储：

1
2

headroom wrap claude --memory
headroom wrap codex --memory

这样，在 Claude Code 中已经分析过的项目内容，可以被压缩、去重后继续提供给 Codex 使用，减少不同 AI 工具重复读取同一批文件。

Headroom 还提供 headroom learn 功能，可以分析失败的历史会话，并把修正经验写入：

CLAUDE.local.md
CLAUDE.md
AGENTS.md
GEMINI.md
GROK.md

这类功能适合长期维护同一个代码库，但自动生成的规则仍然需要人工检查，避免错误经验被持续复用。

Headroom 适合哪些人？

Headroom 更适合以下场景：

经常使用 Claude Code、Codex 或 Cursor
需要分析大量终端日志和报错信息
经常进行大型代码库搜索
使用 API 按 Token 付费
同时使用多个 AI Agent
RAG 检索结果较长且重复内容较多
希望降低上下文成本和请求延迟

下面这些情况则不一定需要安装：

只是偶尔使用网页版 AI 聊天
每次任务都很短，上下文内容很少
使用的环境不允许启动本地代理
已经完全依赖模型厂商自带的上下文压缩
项目涉及敏感业务，但尚未完成安全审查

使用前需要注意什么？

1. 最高 92% 不代表每次都能省 92%

92% 是代码搜索和事故排查等特定测试场景的数据。

根据任务类型不同，实际压缩效果可能只有 20%、40%，也可能在结构化日志中达到更高比例。

2. 先在测试项目中验证

代码上下文可能包含函数签名、错误细节、配置字段和依赖版本。

即使 Headroom 支持可逆压缩，也建议先在非关键项目中测试，确认不会遗漏影响判断的重要信息。

3. 本地运行不等于没有安全风险

Headroom 会位于 AI 工具与模型服务之间，能够接触请求内容。

在公司项目或敏感代码环境中使用前，应检查项目源码、依赖、日志保存方式和代理配置。

4. 定期查看节省数据

可以通过以下命令检查实际收益：

1
2

headroom perf
headroom dashboard

不要只因为项目宣传中的最高数字就长期启用。真正有价值的是，它在你的工作流中能否稳定降低 Token，同时保持结果可靠。

总结

Headroom 解决的不是“提示词写得不够好”，而是 AI Agent 工作过程中产生了太多无效上下文。

代码搜索结果、构建日志、历史对话、RAG 数据和工具返回内容，会不断占用上下文窗口，也会增加 API 成本。

Headroom 在这些内容进入模型前进行结构化压缩，并提供可逆内容检索、跨 Agent 记忆和失败经验学习等功能。对于频繁使用 Claude Code、Codex、Cursor 或其他 AI 编程工具的人，它确实值得测试。

但更准确的说法不是“安装后一定节省 92%”，而是：

在日志、搜索结果和大型代码库等高冗余场景中，Headroom 有机会显著减少 Token；最终效果应以自己的项目测试结果为准。

项目地址

GitHub：https://github.com/headroomlabs-ai/headroom
开源协议：Apache License 2.0
当前 GitHub Stars：约 62.7K，数据会持续变化

Headroom on 拾光集