给 coding agent 装个"节流阀"：7.6 万 star 的 Headroom，让 token 少烧 20-57%

同样是 10 月 21 日 GitHub trending 上榜：headroomlabs-ai/headroom，7.6 万 star，Apache-2.0。干的事一句话：在本地把 agent 读到的 tool 输出、日志、RAG 文本块先压缩一遍，再发给模型，数据不出本机。

作者用官方 tokenizer 做的实测（方法公开、可复跑）：代码搜索场景省 21%、SRE 排障省 57%、代码库探索省 42%；准确率 eval（GSM8K、TruthfulQA 等）声称无可测损失。

证据等级先说清楚：star 数是硬数据；压缩比例是作者自报的 benchmark，方法公开但未经独立测试，引用时别当定论。

为什么我说它值得装？算一笔账就明白了。

现在 AI 编程工具的订阅逻辑是"花钱买额度"，但真正烧掉的是实际走的 token。Cursor 那边的订阅争议刚让大家看明白一件事：额度里装什么模型，比额度有多少更重要。Headroom 的思路是反过来的——额度不变，让每次任务实际烧的 token 变少，等于变相打了个七折到四折。

接入也简单：headroom wrap claude 一条命令。对每天重度用 Claude Code / Cursor 的人，这可能是比升级订阅更划算的第一选择。

还有两个值得留意的点：一是"数据不出本机"的设计，顺手回答了"代码要不要发给云端压缩"的安全顾虑；二是它的 README 里已经挂上了 Headroom for Teams 企业版"买 12 个月送 3 个月"的广告——开源 vibe 工具的变现尝试，卖的不是软件，是"帮企业省 token 账单"的服务。这条路能不能走通，值得持续看。

一句话总结：context 就是税，谁先把税降下来，谁就先拿到 agent 时代的成本优势。先把这东西装上，账单会替你验证。（未经独立测试，个人判断：方向正确，幅度以实测为准。）