官网查看
定制方案
- ✓
暂未采集到具体套餐，价格以官网为准
MMT Token Optimizer
在不损失效果的前提下降低 AI 的 token 使用量
MMT Token Optimizer 是什么？
MMT Token Optimizer 是一款面向 AI Agent、RAG 和 API 工作负载的 token 压缩工具，能在保留关键事实、指令和输出结果的前提下，精简冗余的 prompt 与上下文输入。该工具已通过 7 条主流模型路由的实测验证，可将输入 token 用量降低 6.54% 至 22.17%，并配有语义结果守护与前后对比证据，帮助团队在不影响效果的同时显著削减调用成本。
产品详细介绍
在不损失效果的前提下降低 AI 的 token 使用量
MMT Token Optimizer 是一款面向 AI Agent、RAG 和 API 工作负载的 token 压缩工具，能在保留关键事实、指令和输出结果的前提下，精简冗余的 prompt 与上下文输入。该工具已通过 7 条主流模型路由的实测验证，可将输入 token 用量降低 6.54% 至 22.17%，并配有语义结果守护与前后对比证据，帮助团队在不影响效果的同时显著削减调用成本。
定价方案
需要付费创始人评论
Nour Omar创始人
嗨，Product Hunt 👋
我是 Bakker，MMTNEXUS 的创始人。
我们围绕一个问题打造了 MMT Token Optimizer：
**我们能否在不削弱模型实际所需的事实、指令和结果的前提下，减少 LLM 提示词与上下文的使用量？**
我们没有把“提示词更短”当作成功标准，优化器遵循的是一套带防护的流程：
**分析 → 精简 → 校验 → 执行 → 度量**
我们目前已在 7 条服务商路由上公开了实验案例，测得的输入 token 缩减幅度在 **6.54% 到 22.17%** 之间，其中包括：
• Anthropic：22.17%
• Google Gemini：18.21%
• OpenAI：17.91%
• OpenRouter：17.91%
• DeepSeek：17.14%
• Mistral：17.04%
• xAI：6.54%
以上均为已实测的案例，并非对所有工作负载都能保证同等效果。
我最关注的场景是 **AI 智能体、RAG、长对话历史以及高吞吐量的 API 工作流**，这些场景下上下文很容易迅速膨胀。
举个直观的例子：一个智能体工作负载每天处理 1M 输入 token，按 17.91% 的缩减比例计算，每月可以节省约 **5.37M 输入 token**。
我们已将该产品以限量免费公测的形式开放，开发者可以用自己的真实工作负载进行测试。
我特别希望听到大家在这些方面的反馈：
• 哪些工作负载上优化效果显著
• 哪些情况下系统应该拒绝压缩上下文
• 智能体/RAG 的边界场景
• 在生产环境中信任这种优化之前，你希望看到哪些证据
感谢大家的测试——也欢迎对我们的方法论提出质疑。对我们而言，这些反馈比多一个注册用户更有价值。
创始团队
Nour OmarEnterprise AI Agents LLM Cost Optz
