context-window

Kompres output alat, log, file, dan chunk RAG sebelum mencapai LLM. 20% lebih sedikit token untuk agent pengkodean, 60-95% lebih sedikit token untuk JSON, jawaban yang sama. Pustaka, proksi, server MCP.

Apa saja prinsip yang dapat digunakan untuk membangun perangkat lunak berbasis LLM yang cukup baik untuk digunakan oleh pelanggan di lingkungan produksi?

CLI mesin pencari kode tertanam yang sangat ringan (berbasis AST) yang berfungsi dengan baik - meningkatkan kecepatan dan efisiensi untuk agen pengodean 🌟 Beri bintang jika Anda menyukainya!

Kurangi biaya token AI hingga 95%+ pada eksplorasi kode. Server MCP terkemuka untuk pengambilan kode GitHub tingkat simbol yang presisi melalui AST tree-sitter. Berfungsi dengan Claude Code, Cursor & klien MCP apa pun. Lebih dari 313B+ token dihemat.

Temukan ghost token. Perbaiki. Bertahan dari pemadatan. Hindari penurunan kualitas konteks.

Mesin kecerdasan kode berkinerja tinggi untuk agen AI dan IDE, mendukung 257 bahasa, multi-repositori, berbasis grafik, dengan akses via CLI, MCP Server, dan API. Rekan tim agen koding AI - hanya mengekspos informasi yang diperlukan, memangkas penggunaan token hingga 50x. 100% lokal. Discord: https://discord.gg/39MFHu3J5d

[ICML'24 Spotlight] LLM Maybe LongLM: Memperluas Jendela Konteks LLM Sendiri Tanpa Penyesuaian

Berikan memori fotografis pada Claude Code dalam satu file portabel. Tanpa database, SQLite, atau ChromaDB - cukup satu file .mv2 yang bisa di-git commit, scp, atau dibagikan. Inti Rust native dengan operasi sub-ms.

Memori persisten yang diawasi LLM untuk AI agent — penarikan berbasis grafik, pengetahuan lintas sesi, biner tunggal. Berfungsi dengan DeepSeek Harness, Claude Code, OpenClaw, dan runtime agent apa pun.