试了 sponsors/mksglu：给 AI Coding Agent 做上下文减负
mksglu 最近一天新增 +26 stars，核心原因很明确：它不是又一个聊天 UI，而是专门优化 AI coding agent 的上下文窗口。
项目通过 sandbox 处理工具输出，目标是将无关内容压缩约 98%；同时持久化 session memory，并通过 MCP + hooks 强制把请求路由到 17 个平台。对经常使用 Cursor、Cline、Roo Code 或自建 agent 的开发者来说，这能减少重复读取日志、目录树和测试输出带来的 token 浪费。
我的快速评估重点如下：
| 指标 | 观察/状态 |
|---|---|
| 工具输出压缩 | 目标约 98%，需按项目 workload 实测 |
| Session memory | 支持持久化，适合多轮 coding task |
| 路由覆盖 | MCP + hooks，面向 17 个平台 |
| TTFT | 取决于模型、relay 与网络，建议自行压测 |
| 成本/1M tokens | 由上游模型价格决定，缓存命中可显著降低 |
| 代码准确率 | 未做统一基准，不能仅凭 stars 推断 |
一个标准 OpenAI-compatible 配置示例：
export OPENAI_BASE_URL="https://b-lost.com/v1"
export OPENAI_API_KEY="$B_LOST_API_KEY"
export OPENAI_MODEL="claude-fable-5"
在 agent 的 MCP/hook 配置中，让工具输出先经过 sandbox，再把摘要和持久化 memory 注入下一轮请求。这样比单纯扩大 context window 更可控：减少噪声，也降低每轮输入 token。
如果使用 Anthropic 原生 /v1/messages，B-Lost 的 Prompt Caching 支持 cache hit 90% 折扣；relay 官方标价另有 20% 折扣（0.8x）。这对长系统提示词和稳定项目上下文尤其有价值。不过 TTFT 和实际成本仍应使用自己的模型、网络及命中率测试，别直接套用宣传数字。
Top comments (0)