$ loading_
在发送给大模型前压缩筛选上下文，显著降低令牌消耗并保留关键信息。
该 MCP 工具材料显示其主要在本地对上下文做过滤与压缩，未声明需要密钥或远程连接，整体未见明显高风险红旗。由于其会执行本地代码且项目社区采用度与维护情况较弱，建议在受限环境中审慎使用。
材料明确标注“无”密钥/环境变量要求，未见 API key、token 或账户凭证依赖，因此凭证泄露与滥用面较低。
材料标注“无”远程端点，且未说明会向第三方服务发送数据；从现有信息看，未见明确的数据外发路径。
系统检查项已标记为 executes-code，说明该 MCP 工具具备在本机运行代码/进程的常规能力；这属于工具固有能力，未见超出声明功能的异常高权限描述，但仍应在隔离环境运行。
描述仅提到对发送给 LLM 的上下文进行过滤和压缩，未声明读写本地文件、数据库或系统资源的能力；按材料可见范围，其数据接触面主要限于用户提供的上下文内容。
该项目为开源 GitHub 仓库并采用 MIT 许可证，可审计性较好，这是明显的降风险因素；但来源为 third_party_registry、社区采用度为 0 star、维护状态未知，供应链成熟度与持续维护信号偏弱，需留意依赖与更新风险。
复制安装指令，让 AI 自动完成配置 · 推荐新手
"fittok" 暂无可直接复制的安装信息，请查看页面文档或源码仓库。
请先用 fittok 分析这个仓库的代码关系图，筛选与用户认证模块相关的文件，并将上下文压缩到原始长度的 10%-20%，再发送给大模型用于解释登录流程。
输出一份经过筛选和压缩的代码上下文，以及基于该上下文生成的登录流程说明。
请使用 fittok 对这个拉取请求涉及的文件做上下文过滤，只保留与支付重试逻辑有关的代码和依赖，并压缩后交给大模型审查潜在风险。
得到更精简的审查上下文，以及针对支付重试逻辑的风险分析与审查意见。
在连续编程问答过程中，请用 fittok 持续压缩历史上下文，保留当前任务所需的关键代码关系、近期修改和错误信息，再提交给大模型继续排查问题。
输出保留关键线索的精简上下文，并支持大模型在更低令牌成本下持续定位问题。
为 AI 助手注入权威 FTC 文档与示例，帮助生成可参赛的正确 Java 机器人代码。