Edgee Claude Code Compressor V2

我是 Sacha，@Edgee 的创始人。

今年三月我们发布了首个压缩器。一种借鉴 RTK 项目的技术——工具结果精简。它在真实编程会话中实现了约 10% 的成本节省。安全、简单，但能力有限。

今天我们推出压缩 V2，它是一个完全不同的产品。

三种正交技术，每一种针对智能体请求的不同层级，且可独立切换：

1. 简洁性（输出层）。模型仍然执行每个工具调用并生成相同的最终代码补丁，只是停止叙述其计划。输出是最昂贵的 token 类别，而最大的收益就藏在这里。

2. 工具面缩减，即 TSR（输入层）。智能体在每次请求时都会将所有 MCP 工具的合集发送给模型，即便其中 95% 与任务无关。V2 运行一个快速分类器，根据任务对每个工具进行评分，并在请求到达模型之前剔除其余工具。你的 IDE 仍然暴露所有工具，模型只会看到一个经过筛选的子集。

3. 工具结果精简（历史层，V1 改进版）。清理长会话中堆积的冗长工具输出，同时不丢失模型所需的内容。

由于这三种技术作用于不同层级，因此可以干净地组合使用。综合起来，在典型会话中可实现约 50% 的成本降低。

我最为自豪的部分不是这个数字，而是我们的测量方式。我们的研究工程师 @0kham 在 SWE-bench Lite 的智能体模式下运行了这次测试，采用了配对符号检验、自助置信区间、每次重复的缓存随机数以确保没有运行获得不公平的缓存优势，并直接从原始 usage 字段读取 token 计数。我们公布了完整的方法论，包括每种技术擅长的场景和表现平平的场景。简洁性在编程任务上中位数约 30%，TSR 在 MCP 工具密集型工作负载上是 token 量的巨大胜利，精简在长会话中效果会叠加。没有单一的注水头条数字，只有分解和每个论断背后的统计数据。

如果你想看测试和置信区间，完整的技术文章在这里：https://www.edgee.ai/blog/posts/introducing-compressor-v2-three-compression-layers-measured-end-to-end-for-a-50-cost-reduction

在代码任务上语义无损，可直接用于 Claude Code、Codex、OpenCode、GitHub Copilot 和 Cursor，网关 P50 开销低于 12ms。你的 CLAUDE.md 和 MCP 服务器保持原样。

有几个问题想听听大家的看法：

• 这三种技术中，哪一种对你的工作流最有用？

• 有谁在运行繁重的 MCP 设置，想试试工具面缩减并告诉我们你的效果？

我全天都会在评论区。感谢关注