拓冰网站定制 
ripwire如何让AI代理省5到300倍上下文10个token预算技巧与实测数据【免费下载链接】ripwireThe ripgrep of AI context: a zero-dependency C23 CLI MCP server for coding agents. Find what you want without reading the repo, then check you built what you meant — blast radius, tests-to-run, quality deltas. Signatures at 74.7% fewer bytes than bodies; every guess labelled, every loss published. Paddle out with a map.项目地址: https://gitcode.com/gh_mirrors/ri/ripwire 一句话认识 ripwireripwire 是AI 上下文的 ripgrep一个零依赖的 C23 CLI MCP server专为编码代理coding agents设计。它先给出一张排序确定性代码地图——该动哪里、会破坏什么、该跑哪些测试——让你不读仓库也能找到想要的东西。实测中它的签名输出比完整函数体少 74.7% 字节代理按图索骥后日常场景的上下文消耗普遍降到原来 5~300 倍分之一。核心理念一句话带着地图出海而不是跳进海里找路Paddle out with a map。 最快安装步骤clone 后一条命令git clone https://gitcode.com/gh_mirrors/ri/ripwire cd ripwire bash scripts/install.sh装好后每次会话开头对代理说一句Use ripwire on this repo即可。安装脚本还会顺带教代理何时该用哪条命令。所有细节见 docs/COMMANDS.md架构原理见 docs/ARCHITECTURE.md。️ 它凭什么省 token签名地图代替整文件朗读代理回答一个问题的传统路径是grep全文 → 打开候选文件 → 整文件喂给 LLM。ripwire 的路径是一次索引 → 按相关度排序 → 只把头部签名 必要正文送进上下文并且每一次截断都会公开披露est_tokens、capped 等字段每个猜测都有标签每次裁剪都被公布。下面这张图就是它的输出形态之一代码库被压缩成一张带复杂度的调用图120 个节点、183 条调用边一眼看清该看谁——而不是让代理读几千行源码。 10 个 token 预算技巧全部来自官方实测以下 10 个技巧与 README.md 的十行实测表一一对应数字在 2026-08-08 于 ripwire 自身仓库重新推导可复现。1. 陌生仓库冷启动--max-tokens3000拿排序地图在陌生仓库里裸地图约 9K token22KB加预算参数后只保留头部约 2.5K token比读 README 架构文档20K~25K token省3.6×~4.5×而且答案质量对齐同一份管道文件出现在首屏。2. 任务式检索--for直接问X 在哪里处理--for...用排序签名地图回答定位问题约 2.1K token对比grep 后读文件的 4.9K~20K token省2.3×~9.3×。3. 文档召回--recall按节读取省 29 倍问我已经知道什么时朴素做法是把 119 份 markdown 全读一遍约 445K token--recall只送相关章节约 15K token省29.2×且文档按小节切分送读父节不再吞掉真正回答问题的子节。4. 任务打包--pack-task一次给齐上下文给代理布置任务所需的文件、签名、调用链打包进约 2.1K token对比整文件朗读的 16K~80K token省7.7×~37.7×。5. 最便宜的单函数正文--expand--top-k0只要一个函数体时--top-k0会关掉默认附带的约 200 符号地图它纯粹是前置开销小文件场景还会自动选择整文件 vs 打包中更小的那个最高省670×典型 2.6×~670×。6. 查调用方--callers580 token 顶替 4 万 token谁调用了这个函数用--callersSYM约 580 token 出结果grep 全文再开 2~3 个文件人工分辨提及与真实调用要 40K~52K token省69×~89×。7. 改前体检--impact--uses看爆炸半径改这个安全吗约 1.3K token 返回影响范围与直接引用对比把每个使用文件整份打开的 18K token省14.4×。8. 拿着堆栈直接问--from-trace把栈 trace 文件丢给它约 1.4K token 定位内部帧所在文件朴素做法是 grep 全部 7 个帧名再开文件要 124K~298K token省87×~209×。9. 变更体检--situ是 300 倍的来源我改了这些文件——要跑哪些测试爆炸半径多大--situ只花约 410 token而 git diff 全库 grep 开候选文件要 3K~132K token省7.3×~324.2×——这就是标题里300 倍的出处。10. PR 审查--pr-context给出差异上下文审查一个 diff 约 1.9K token对比git diff 后打开每个被改文件的 4.8K~51K token省2.6×~27.5×。 实测数据一览官方十行表场景命令ripwire朴素读法节省倍数陌生仓库定位ripwire .~5.6K tok~20K–25K tok3.6×–4.5×定位 X--for~2.1K tok~4.9K–20K tok2.3×–9.3×已有知识--recall~15K tok~445K tok29.2×任务准备--pack-task~2.1K tok~16K–80K tok7.7×–37.7×单个函数--expand --top-k0~0.26–16.5K tok~43K–174K tok2.6×–670×调用方--callers~580 tok~40K–52K tok69×–89×改动安全--impact--uses~1.3K tok~18K tok14.4×栈 trace--from-trace~1.4K tok~124K–298K tok87×–209×变更体检--situ~410 tok~3K–132K tok7.3×–324×PR 审查--pr-context~1.9K tok~4.8K–51K tok2.6×–27.5×补充两点横向对比在 60 实例的 LocBench 截片上--for的 strict file10 达36.7%Aider repo-map 为 13.3%且 warm 查询中位仅0.074 秒详见 bench/headtohead/在多代理实战报告中一次 164KB 规划文档的召回调用只花了约 6K token约 25×整个研究阶段的 token 开销减半。⚖️ 预算机制怎么工作shaping vs gating--max-tokensN塑形按字节天花板裁剪排序地图宁保守不超支输出里同时披露max_tokens你要求的和fit_bytes实际遵守的。--token-budgetN门槛超预算就一个字节都不输出只回一条withheld_est_tokens记录在--for等镜头上则转为塑形。--adaptive自适应按相关度悬崖自动砍尾——40 个候选里 37 个得分为 0 时宁收小也不凑数。--pack-signatures只发签名文档注释top-50 下比完整正文少 74.7% 字节官方还验证过对它再跑专用上下文压缩器再省 0 token——已经密到压不动了。不确定性的诚实披露图上虚线、模糊节点都被明说读到的零表示没找到而不是不存在。 数字的可信度每个数都有出处项目把没有出处的数字不发表写进了规则每个比例都标注了测量仪器、语料与固定文件如 bench/recalleval/、docs/EVALS.md且专门有一节反例§7说明工具哪里不占优——宽泛概念性提问时普通 grepread 偶尔仍更快。变更历史见 CHANGELOG.md质量门禁实现见 src/quality.h。✅ 新手上手清单clone 仓库bash scripts/install.sh对代理说 Use ripwire on this repo陌生仓库先跑ripwire . --max-tokens3000拿排序地图定位问题用--for只开函数体用--expand --top-k0改代码前后各一次--situ/--impact把要跑哪些测试交给它算想卡死上下文上限时用--token-budgetN做硬门槛。带着地图出海——这就是 ripwire 给 AI 代理省 token 的全部哲学先找对再看少改对了。【免费下载链接】ripwireThe ripgrep of AI context: a zero-dependency C23 CLI MCP server for coding agents. Find what you want without reading the repo, then check you built what you meant — blast radius, tests-to-run, quality deltas. Signatures at 74.7% fewer bytes than bodies; every guess labelled, every loss published. Paddle out with a map.项目地址: https://gitcode.com/gh_mirrors/ri/ripwire创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 ripwire如何让AI代理省5到300倍上下文：10个token预算技巧与实测数据
ripwire如何让AI代理省5到300倍上下文10个token预算技巧与实测数据【免费下载链接】ripwireThe ripgrep of AI context: a zero-dependency C23 CLI MCP server for coding agents. Find what you want without reading the repo, then check you built what you meant — blast radius, tests-to-run, quality deltas. Signatures at 74.7% fewer bytes than bodies; every guess labelled, every loss published. Paddle out with a map.项目地址: https://gitcode.com/gh_mirrors/ri/ripwire 一句话认识 ripwireripwire 是AI 上下文的 ripgrep一个零依赖的 C23 CLI MCP server专为编码代理coding agents设计。它先给出一张排序确定性代码地图——该动哪里、会破坏什么、该跑哪些测试——让你不读仓库也能找到想要的东西。实测中它的签名输出比完整函数体少 74.7% 字节代理按图索骥后日常场景的上下文消耗普遍降到原来 5~300 倍分之一。核心理念一句话带着地图出海而不是跳进海里找路Paddle out with a map。 最快安装步骤clone 后一条命令git clone https://gitcode.com/gh_mirrors/ri/ripwire cd ripwire bash scripts/install.sh装好后每次会话开头对代理说一句Use ripwire on this repo即可。安装脚本还会顺带教代理何时该用哪条命令。所有细节见 docs/COMMANDS.md架构原理见 docs/ARCHITECTURE.md。️ 它凭什么省 token签名地图代替整文件朗读代理回答一个问题的传统路径是grep全文 → 打开候选文件 → 整文件喂给 LLM。ripwire 的路径是一次索引 → 按相关度排序 → 只把头部签名 必要正文送进上下文并且每一次截断都会公开披露est_tokens、capped 等字段每个猜测都有标签每次裁剪都被公布。下面这张图就是它的输出形态之一代码库被压缩成一张带复杂度的调用图120 个节点、183 条调用边一眼看清该看谁——而不是让代理读几千行源码。 10 个 token 预算技巧全部来自官方实测以下 10 个技巧与 README.md 的十行实测表一一对应数字在 2026-08-08 于 ripwire 自身仓库重新推导可复现。1. 陌生仓库冷启动--max-tokens3000拿排序地图在陌生仓库里裸地图约 9K token22KB加预算参数后只保留头部约 2.5K token比读 README 架构文档20K~25K token省3.6×~4.5×而且答案质量对齐同一份管道文件出现在首屏。2. 任务式检索--for直接问X 在哪里处理--for...用排序签名地图回答定位问题约 2.1K token对比grep 后读文件的 4.9K~20K token省2.3×~9.3×。3. 文档召回--recall按节读取省 29 倍问我已经知道什么时朴素做法是把 119 份 markdown 全读一遍约 445K token--recall只送相关章节约 15K token省29.2×且文档按小节切分送读父节不再吞掉真正回答问题的子节。4. 任务打包--pack-task一次给齐上下文给代理布置任务所需的文件、签名、调用链打包进约 2.1K token对比整文件朗读的 16K~80K token省7.7×~37.7×。5. 最便宜的单函数正文--expand--top-k0只要一个函数体时--top-k0会关掉默认附带的约 200 符号地图它纯粹是前置开销小文件场景还会自动选择整文件 vs 打包中更小的那个最高省670×典型 2.6×~670×。6. 查调用方--callers580 token 顶替 4 万 token谁调用了这个函数用--callersSYM约 580 token 出结果grep 全文再开 2~3 个文件人工分辨提及与真实调用要 40K~52K token省69×~89×。7. 改前体检--impact--uses看爆炸半径改这个安全吗约 1.3K token 返回影响范围与直接引用对比把每个使用文件整份打开的 18K token省14.4×。8. 拿着堆栈直接问--from-trace把栈 trace 文件丢给它约 1.4K token 定位内部帧所在文件朴素做法是 grep 全部 7 个帧名再开文件要 124K~298K token省87×~209×。9. 变更体检--situ是 300 倍的来源我改了这些文件——要跑哪些测试爆炸半径多大--situ只花约 410 token而 git diff 全库 grep 开候选文件要 3K~132K token省7.3×~324.2×——这就是标题里300 倍的出处。10. PR 审查--pr-context给出差异上下文审查一个 diff 约 1.9K token对比git diff 后打开每个被改文件的 4.8K~51K token省2.6×~27.5×。 实测数据一览官方十行表场景命令ripwire朴素读法节省倍数陌生仓库定位ripwire .~5.6K tok~20K–25K tok3.6×–4.5×定位 X--for~2.1K tok~4.9K–20K tok2.3×–9.3×已有知识--recall~15K tok~445K tok29.2×任务准备--pack-task~2.1K tok~16K–80K tok7.7×–37.7×单个函数--expand --top-k0~0.26–16.5K tok~43K–174K tok2.6×–670×调用方--callers~580 tok~40K–52K tok69×–89×改动安全--impact--uses~1.3K tok~18K tok14.4×栈 trace--from-trace~1.4K tok~124K–298K tok87×–209×变更体检--situ~410 tok~3K–132K tok7.3×–324×PR 审查--pr-context~1.9K tok~4.8K–51K tok2.6×–27.5×补充两点横向对比在 60 实例的 LocBench 截片上--for的 strict file10 达36.7%Aider repo-map 为 13.3%且 warm 查询中位仅0.074 秒详见 bench/headtohead/在多代理实战报告中一次 164KB 规划文档的召回调用只花了约 6K token约 25×整个研究阶段的 token 开销减半。⚖️ 预算机制怎么工作shaping vs gating--max-tokensN塑形按字节天花板裁剪排序地图宁保守不超支输出里同时披露max_tokens你要求的和fit_bytes实际遵守的。--token-budgetN门槛超预算就一个字节都不输出只回一条withheld_est_tokens记录在--for等镜头上则转为塑形。--adaptive自适应按相关度悬崖自动砍尾——40 个候选里 37 个得分为 0 时宁收小也不凑数。--pack-signatures只发签名文档注释top-50 下比完整正文少 74.7% 字节官方还验证过对它再跑专用上下文压缩器再省 0 token——已经密到压不动了。不确定性的诚实披露图上虚线、模糊节点都被明说读到的零表示没找到而不是不存在。 数字的可信度每个数都有出处项目把没有出处的数字不发表写进了规则每个比例都标注了测量仪器、语料与固定文件如 bench/recalleval/、docs/EVALS.md且专门有一节反例§7说明工具哪里不占优——宽泛概念性提问时普通 grepread 偶尔仍更快。变更历史见 CHANGELOG.md质量门禁实现见 src/quality.h。✅ 新手上手清单clone 仓库bash scripts/install.sh对代理说 Use ripwire on this repo陌生仓库先跑ripwire . --max-tokens3000拿排序地图定位问题用--for只开函数体用--expand --top-k0改代码前后各一次--situ/--impact把要跑哪些测试交给它算想卡死上下文上限时用--token-budgetN做硬门槛。带着地图出海——这就是 ripwire 给 AI 代理省 token 的全部哲学先找对再看少改对了。【免费下载链接】ripwireThe ripgrep of AI context: a zero-dependency C23 CLI MCP server for coding agents. Find what you want without reading the repo, then check you built what you meant — blast radius, tests-to-run, quality deltas. Signatures at 74.7% fewer bytes than bodies; every guess labelled, every loss published. Paddle out with a map.项目地址: https://gitcode.com/gh_mirrors/ri/ripwire创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考