Этот проект на GitHub за неделю набрал 14 тысяч звезд, я сначала думал, что это такой же открытый PPT — только концепции, без реальных данных.

Результаты после тестирования оказались немного неожиданными:
Результаты поиска по коду сократились с 17 тысяч токенов до 1400, качество ответов почти не изменилось.
Проект называется Headroom, его суть — делать одну вещь: предварительно сжимать длинные контексты, такие как результаты поиска по коду, логи, RAG-документы, а затем подавать их ИИ.
Самое крутое — это не просто удаление содержимого, а обратимое сжатие. Оригинал остается локально, и если ИИ действительно нужны детали, его можно восстановить, что не мешает отладке.
Несколько ключевых моментов:
1. Максимально можно сжать до 92% токенов
2. Инструменты вроде Claude Code, Codex, Cursor можно использовать прямо в оболочке
3. Можно не менять код полностью, а запускать через прокси
4. Обработка данных локально, без облака
5. Можно установить как на Python, так и на Node
6. Автоматически выбирает лучший из 6 алгоритмов сжатия
Это особенно подходит для трёх типов пользователей:
Тех, кто пишет код с Claude или Codex, и у которых ежемесячный счет за токены очень дорогой;
Тех, у кого слишком большой контекст, и ИИ постоянно теряет важные детали;
Тех, кто занимается RAG, множественными агентами или поиском по коду, и хочет снизить затраты без потери эффективности.
Раньше все пытались оптимизировать ИИ-программирование, меняя модели, подсказки или рабочие процессы.
Но настоящие скрытые издержки — это когда вы каждый раз без изменений вставляете кучу контекста, который ИИ «может и не обязательно читать полностью».
Ценность таких инструментов, как Headroom, именно в этом:
Не делать ИИ умнее, а уменьшить его «чтение мусора».
Бесплатно, локально, с открытым исходным кодом.
Те, у кого дорогие токены, — стоит обратить особое внимание.