$ loading_
压缩并检索本地上下文内容，提升 GPT/Codex 的令牌使用效率
复制安装指令，让 AI 自动完成配置 · 推荐新手
"TokenSkein" 暂无可直接复制的安装信息，请查看页面文档或源码仓库。
请将这份本地项目说明和最近 20 条对话压缩为紧凑上下文，保留可精确恢复的信息，并给出统计数据，方便继续与 GPT/Codex 交互。
返回压缩后的上下文表示、可恢复内容说明以及相关统计信息。
根据这段紧凑上下文恢复原始内容，并确认恢复结果是否与压缩前一致。
输出恢复后的原文，并说明是否实现精确恢复。
请分析这批本地上下文的压缩效果，给出压缩前后体量与检索相关统计，帮助我判断是否适合继续投喂模型。
提供压缩效果统计与简要判断依据。
开发者或研究人员在与 GPT 或 Codex 持续互动时，可先压缩本地上下文，再把更紧凑的信息送入模型，以减少令牌占用。需要时还能恢复原始内容。
当本地笔记、项目说明或对话记录较长时，可以用它进行压缩与检索，保留后续调用所需的信息。这样更适合有限上下文窗口下的持续使用。
对于关注提示成本和上下文效率的用户，它还能提供统计信息，帮助判断压缩是否有效。适合优化与大模型交互时的内容组织方式。
它为与 GPT/Codex 交互时的本地上下文经济性提供压缩、检索和统计功能。重点是更高效地使用令牌，并支持对压缩内容进行精确恢复。
支持。给定描述明确提到它能够对压缩后的内容进行精确恢复。
现有素材没有提供安装步骤、运行时要求或密钥信息。相关细节见源码仓库。
压缩大模型输入输出内容，减少冗词与结构开销以节省令牌成本。
在 Claude Code 会话中自动压缩上下文并减少 token 消耗，降低长任务成本
用确定性压缩对话上下文，降低 token 消耗
按模型或编码名统计 OpenAI 兼容 token 数
使用本地大模型为代码库建立索引并压缩上下文，显著降低 Claude Code 的 token 消耗。
无损压缩 Claude Code 与 OpenCode 上下文，提升长任务开发效率。