context-window

Compacta saídas de ferramentas, logs, arquivos e trechos de RAG antes que cheguem à LLM. 20% menos tokens para agentes de código, 60-95% menos tokens para JSON, mantendo as mesmas respostas. Biblioteca, proxy, servidor MCP.

Quais princípios podemos usar para criar software baseado em LLM que seja bom o suficiente para entregar a clientes em produção?

Um mecanismo de busca de código incorporado super leve (baseado em AST) que funciona perfeitamente - melhora a velocidade e a eficiência para agentes de codificação

Reduza os custos de tokens de IA em mais de 95% na exploração de código. O principal servidor MCP para recuperação precisa de código GitHub em nível de símbolo via AST tree-sitter. Compatível com Claude Code, Cursor e qualquer cliente MCP. Mais de 313 bilhões de tokens economizados.

Encontre tokens fantasma. Corrija-os. Sobreviva à compactação. Evite a degradação da qualidade do contexto.

Motor de inteligência de código de alto desempenho para agentes de IA e IDE, suporta 257 linguagens, múltiplos repositórios, baseado em grafos, com acesso via CLI, servidor MCP e API. Colega de equipe de codificação por IA - exponha apenas as informações necessárias, reduzindo o uso de tokens em até 50x. 100% local. Discord: https://discord.gg/39MFHu3J5d

[ICML'24 Spotlight] LLM Maybe LongLM: Autoextensão da Janela de Contexto de LLM Sem Ajuste Fino

Dê ao Claude Code memória fotográfica em UM arquivo portátil. Sem banco de dados, sem SQLite, sem ChromaDB - apenas um único arquivo .mv2 que você pode enviar via git commit, scp ou compartilhar. Núcleo nativo em Rust com operações em menos de um milissegundo.

Memória persistente supervisionada por LLM para agentes de IA — recuperação baseada em grafos, conhecimento entre sessões, binário único. Funciona com DeepSeek Harness, Claude Code, OpenClaw e qualquer runtime de agente.