夜雨聆风AI智能体跑一次任务，读了几百页文档，调了十几个工具——然后账单出来了。你定睛一看，光 Prompt 传的 Token，就够写好几篇论文了。
这就是今天的主角——Headroom 要解决的问题。它在工具输出、日志、文件内容进入 LLM 之前进行智能压缩，号称"省 60-95% 的 Token，回答质量不变"。
更关键的是：它开源，本地运行，支持 Proxy/Library/MCP Server 三种接入方式，还能直接裹住 Claude Code、Codex、OpenClaw 等常见 AI 编程工具。
🔥 十年以来最热的上下文工程项目
Headroom 来自开发者 chopratejas，2026 年 1 月开源，至今不到半年。截至 6 月 21 日，它在 GitHub 上已经有 42,763 ⭐，接近 3,000 个 Fork，平均每天增长超过 250 颗星。这是什么速度？大概每三秒就有人 Star 一次。
这个项目的热度和它的定位直接相关：
AI 编码工具（Claude Code、Codex、Cursor）全面开花——人人都在用，人人都在交 Token 费。 Context Window 的容量瓶颈没有消失——模型能读的 Token 上限涨了，但每一次读的内容量涨得更猛。 性价比焦虑抬头——API 费用、推理延迟、上下文吞吐，通通跟 Token 数挂钩。
Headroom 做的就是"在不改变模型前提下，从输入端下手省钱"。这个思路简单直接，市场非常大。整个项目围绕一个核心洞察：LLM 看到的输入里有大量冗余——工具输出的日志、搜索结果的摘要、RAG 检索的文档片段——这些内容不需要原封不动地传给模型，压缩后传给模型，效果几乎一样。
🚀 六个核心功能
智能内容路由与多算法压缩
Headroom 不是一个"一刀切"的压缩器。它内部有一个 ContentRouter 层——先检测输入内容的类型（JSON、代码、自然语言文本、日志），然后自动选择最合适的压缩算法：
- SmartCrusher
——对 JSON 做结构化压缩（数组折叠、键名缩写、嵌套拍平），实测能将代码搜索结果从 17,765 压缩到 1,408 Token，省 92%。 - CodeCompressor
——AST 感知的代码压缩器，支持 Python、JS、Go、Rust 等主流语言。 - Kompress-base
——自训练的 HuggingFace 模型，专门优化 Agent Trace 文本。纯文本内容的首选。 - 图片压缩
——可选的 ML 路由模块，AI 判断图片是否需要压缩，省 40-90%。
CacheAligner：让 KV 缓存真正命中
这个模块值得单独讲。Anthropic 和 OpenAI 都有 Prompt Caching 机制——如果前几次请求的 Prompt 开头部分一致，后半段可以复用缓存，省掉重新计算的开销。但实际使用时，由于工具输出每次都不同，前缀很少能对齐。
Headroom 的 CacheAligner 把变动的工具输出压缩后放在末尾，把稳定的系统指令和任务描述固定在前缀——这样缓存命中率大幅提升，既省 Token 又省计算。
⚙️ 实测效果
实测数据
Headroom 官方在真实 Agent 工作负载上做了测试：
代码搜索和故障调试这两个场景，Agent 需要读大量结构化的工具输出，Headroom 的冗余度最高，所以压缩比最大。代码库探索涉及较多非结构化自然语言描述，压缩比相对低一些，但仍然接近一半。
准确性方面，Headroom 在 GSM8K（数学推理）、TruthfulQA（事实回答）等标准基准上做了对比测试，压缩前后准确率变化在 ±0.03 以内——也就是跟没有压缩几乎没有区别。
📦 安装与 OpenClaw 集成
安装
Headroom 的安装非常直接，一条命令搞定（需 Python 3.10+）：
# Python 全量安装（包含所有模块）pip install "headroom-ai[all]" # 或按需安装子模块pip install "headroom-ai[proxy]" # 纯 Proxy 模式pip install "headroom-ai[mcp]" # MCP 模式pip install "headroom-ai[ml,code]" # 机器学习模型 + 代码压缩# TypeScript/Node 用户npm install headroom-ai # Docker docker pull ghcr.io/chopratejas/headroom:latest
安装完成后，两条命令验证：
headroom --version headroom perf # 跑性能基准，看本地能省多少与 OpenClaw 的集成
如果你使用 OpenClaw（Hermes Agent 的前身/开源版本），Headroom 提供了原生集成支持。一条命令即可完成绑定：
# OpenClaw 集成 headroom wrap openclaw
# 结果：Headroom 作为 ContextEngine 插件安装到 OpenClaw 中同样，Headroom 也支持一键裹住其他主流 AI 工具：
headroom wrap claude # Claude Code headroom wrap codex
# OpenAI Codex CLI headroom wrap cursor
# Cursor IDE headroom wrap aider
# Aider headroom wrap copilot
# GitHub Copilot CLI对于 Hermes Agent 用户，虽然官方兼容表中尚未直接列出 Hermes 的名字，但可以通过 MCP Server 模式集成——将 Headroom 配置为 Hermes 的一个 MCP 工具，在 Agent 工作流中按需调用压缩、检索和状态查询功能。
📝 总结
Headroom是一个典型的"降本增效"工具。它的优势不在提出新模型或新框架，而在于发现了一个非常现实的痛点——Token 成本——并给出了一个立竿见影的解决方案。
使用前提也很简单：只要你在跑 AI 编码工具，并且在乎 Token 开销，Headroom 就值得一试。安装只需要一分钟，Proxy 模式不需要改任何代码，不满意直接关掉即可，没有任何侵入性。
在 AI 工具链上每天烧掉大量 Token 的当下，Headroom 的出现非常适时。它不需要你对工作流做任何结构性调整，只是把管道中间加了一层——而这层能省一半以上的钱。
你的 AI 助手一天要读多少 Token？
AI练计箱 扫码关注，获取更多 AI 工具实战经验
