用 Claude Code 写代码的时候，你有没有遇到过这种情况：
会话莫名其妙地变短，明明才刚开始，对话就断了。想继续聊，只能开新会话，之前的上下文全丢了。
原因其实很简单。每次 AI 在终端跑命令，输出结果会直接塞进上下文窗口。跑一次测试，光是日志就能吃掉几千个 token。跑几次代码对比，再搜索一下文件，上下文就满了。
说白了，AI 的"工作记忆"很容易被终端里的垃圾信息撑爆。留给真正有用代码的空间，越来越少。
今天介绍的 RTK，专门来解决这个问题。
Github:
给 AI 装一个"过滤器"
RTK 的全称是 Rust Token Killer，一个用 Rust 写的命令行代理工具。
它做的事情很简单：在终端命令的输出结果到达 AI 之前，先帮忙过一遍，把噪音删掉，只留关键信息。
就像给 AI 装了一个过滤器。脏水不进去，只喝干净的。
有位开发者用了 RTK 几周后，输出一份统计报告，节省了 88.9% 的 token。这意味着什么？如果你的 Claude Code 账单是每月 100 美元，装上 RTK 后可能只需要 10 美元出头。
压缩效果有多夸张
来看一组真实数据，来自 2900 多次命令的统计。
跑 cargo test，原始输出大概 4823 个 token，经过 RTK 处理后，只剩 11 个 token，压缩了 99%。那些测试日志、警告信息、进度条，全砍掉，只告诉 AI 结论。
git diff 同理，2 万多 token 的原始对比，处理后压到 1200 左右，缩减 94%。
git status 从 120 token 压到 30 token。grep 搜索结果从 2000 token 压到 940 token。
平均下来，能节省 60% 到 90% 的 token。用得越多，省得越多。
它是怎么做到的
RTK 内部用了四种策略，组合起来处理输出。
智能过滤会把注释、空白行、样板代码这类对 AI 没用的内容直接删掉。AI 不需要看版权声明和空行，它只需要看代码逻辑。
分组聚合把类似的内容合并展示。比如用 grep 搜索，结果会按文件分组，同一个文件的匹配行合并在一起，而不是把所有匹配行铺开一行一行展示。
智能截断保留最有价值的上下文，删掉重复冗余的部分。如果输出太长，RTK 会判断哪些部分对 AI 有用，哪些可以省略。
去重合并处理日志里反复出现的相同行，合并成一条，附带出现次数。比如测试输出里"正在编译..."出现了 50 次，RTK 会显示"正在编译... (x50)"。
这四种策略组合起来，基本覆盖了开发过程中最常见的废话场景。
支持哪些 AI 工具
RTK 是单一二进制文件，零依赖，支持市面上主流的 AI 编码工具。
Claude Code 和 Copilot 是默认支持，装上就能用。Gemini CLI、Codex、Cursor、Windsurf、Cline、Kilo Code、Google Antigravity 也都支持。
基本上，只要你用的是 AI 编码助手，RTK 都能帮上忙。
三步装好，轻松上手
安装非常简单，不同系统有不同的方式。
macOS 用户直接用 Homebrew：
brew install rtk
Linux 用一键脚本：
curl-fsSL https://raw.githubusercontent.com/rtk-ai/rtk/refs/heads/master/install.sh | sh
Windows 目前没有自动安装脚本，需要去 GitHub Releases 页面手动下载对应的二进制文件。
装好之后，运行一条命令开启自动 hook。
rtk init --global
这个命令会在你的 AI 工具里装上一个拦截机制，每次 AI 准备执行终端命令时，RTK 会先接管处理，自动压缩输出。
不需要手动在每条命令前加 rtk，整个过程是透明的。AI 看到的已经是压缩后的干净内容。
重启 AI 工具后就生效了。你可以让它跑几个命令测试一下，看看效果。
怎么查看省了多少
如果想看具体省了多少 token，可以运行统计命令。
rtk gain
它会输出一份报告，显示总共处理了多少命令、节省了多少 token、各命令的平均压缩率。数据很直观，你能清楚看到哪些命令压缩效果最好。
有开发者分享了他的使用数据。30 分钟的 Claude Code 会话里，RTK 处理了 80 多条命令，总共节省了 80% 的 token。原本可能花 10 美元，现在只需要 2 美元。
实际使用场景
来看几个典型的使用场景。
场景一：跑测试
你让 Claude Code 跑测试，看看有没有问题。正常情况下，测试输出可能几千个 token，包括每个测试用例的名字、通过状态、耗时、各种日志。
有了 RTK，Claude 看到的是："100 个测试通过，2 个失败，失败的是 test_a 和 test_b"。就这么简单。
场景二：看代码改动
你想让 AI 帮你 review 代码改动。git diff 的输出可能很长，尤其是大重构的时候。
RTK 会压缩 diff，保留关键的改动点，去掉格式上的噪音。AI 能更快理解你改了什么，给出更准确的建议。
场景三：搜索代码
用 grep 搜索某个函数在哪些地方被调用，结果可能分布在几十个文件里。
RTK 会把结果按文件分组，每个文件只显示关键的几行，而不是把所有匹配行都列出来。AI 能更快定位到你想要的信息。
写在最后
AI 编码工具这两年进化飞快，从代码补全到 Agent 自主写代码，能力边界一直在扩张。
但有一个问题始终没被正面解决：上下文窗口的利用率。虽然模型越来越大，窗口也越来越长，但塞进去的内容，有相当一部分是终端输出的噪音。
这是一种隐性的浪费，既消耗配额，也干扰推理质量。
给 AI 送进去的每一个 token，都应有价值。
RTK 切入的角度很对。不是让模型变得更聪明，而是让进入模型的信息，变得更干净一点。
装上它之后，AI 的每一次思考，都能用在真正该用的地方。
GitHub：
项目完全开源，免费使用。如果你也在用 Claude Code 或类似的 AI 编码工具，强烈推荐试试。
关注
如果这篇文章对你有帮助，欢迎点赞、收藏、转发。我会持续分享实用的开发工具和技术教程，关注我，一起提升开发效率。
