👉 这是一个或许对你有用的社群

🐱 一对一交流/面试小册/简历优化/求职解惑，欢迎加入「芋道快速开发平台」知识星球。下面是星球提供的部分资料： 

• 《项目实战（视频）》：从书中学，往事上“练”

• 《互联网高频面试题》：面朝简历学习，春暖花开

• 《架构 x 系统设计》：摧枯拉朽，掌控面试高频场景题

• 《精进 Java 学习指南》：系统学习，互联网主流技术栈

• 《必读 Java 源码专栏》：知其然，知其所以然

👉这是一个或许对你有用的开源项目

国产Star破10w的开源项目，前端包括管理后台、微信小程序，后端支持单体、微服务架构

RBAC权限、数据权限、SaaS多租户、商城、支付、工作流、大屏报表、ERP、CRM、AI大模型、IoT物联网等功能：

• 多模块：https://gitee.com/zhijiantianya/ruoyi-vue-pro

• 微服务：https://gitee.com/zhijiantianya/yudao-cloud

• 视频教程：https://doc.iocoder.cn

【国内首批】支持 JDK17/21+SpringBoot3、JDK8/11+Spring Boot2双版本 

• 一下午烧 6000 万 token，凶手不是代码

• 它解决的不是「AI 太贵」，是「AI 看的 95% 都是日志噪音」

• 4 层压缩策略，每层针对一类噪音（来自官方 README）

• Auto-Rewrite Hook：透明拦截，不入侵主循环

• 省了多少？算一笔账

• 30 秒装好

• 横向对比：和其他省 token 方案的差别

• 适用场景与局限

• 我的判断

---

一下午烧 6000 万 token，凶手不是代码

上周用 Claude Code 重构 https://github.com/YunaiV/yudao-cloud 的某个核心模块——把 OAuth 单元的依赖整理一遍、加几个新接口、跑一轮全量测试，干了整整一下午 。代码改了、测试过了、Git 提交也做了，一切都很顺 。

心情正美，顺手看了一眼 Token 用量——直接傻眼 ：一个下午烧了 6000 多万 Token，套餐余额直接告急。

明明只改了几十个文件，怎么耗了这么多？翻了一遍对话历史才发现：真正的"凶手"根本不是我写的代码，而是那些命令输出 ：

• mvn clean install -pl yudao-module-system 跑一次，依赖下载 + 编译输出几百行；

• mvn test -pl yudao-module-system 跑完，几百个用例全是绿字；

• git status 列出一堆 untracked 文件 + 改动文件；

• kubectl logs 拉一段 Pod 日志，红框堆栈 + 中间一堆心跳。

这些内容全被原封不动塞进了 LLM 的上下文窗口 。

AI 真正需要的信息可能只有 5%，剩下 95% 都是日志噪音 。

如果你也遇到过类似问题，那 RTK（Rust Token Killer） 这个工具值得你花三分钟了解一下。仓库地址：github.com/rtk-ai/rtk，截至 2026 年 5 月 GitHub Star 已经 41k+ 。

提前说一下边界——RTK 本质是 trade-off：用更少的上下文换更低的成本 。大多数场景被压掉的是噪音，对结果影响很小；极少数需要完整上下文的场景 （比如复杂调试），可能要手动查看原始输出。

基于 Spring Boot + MyBatis Plus + Vue & Element 实现的后台管理系统 + 用户小程序，支持 RBAC 动态权限、多租户、数据权限、工作流、三方登录、支付、短信、商城等功能

• 项目地址：https://github.com/YunaiV/ruoyi-vue-pro

• 视频教程：https://doc.iocoder.cn/video/

它解决的不是「AI 太贵」，是「AI 看的 95% 都是日志噪音」

很多文章吹 RTK 时强调它"省钱"。省钱只是结果，不是原因 。

RTK 的反向定位很清楚——它不让你「少用 AI」，是让 AI「少看不该看的」 。

RTK 是一个用 Rust 写的 CLI 代理工具，专为 AI 编程助手设计。它的定位很明确：在命令输出到达 LLM 之前做一轮智能压缩 ——把噪音去掉，只留信号。

设计哲学一句话：

你照常用 Claude Code、照常执行命令，只是 token 消耗悄悄降下来了。

技术细节也对得起 Rust：启动延迟 < 10ms、内存占用 < 5MB、单一二进制文件、零依赖。几乎不会成为工作流负担 。

官方 README 列出的支持工具清单 （截至本文发稿）：

Claude Code、GitHub Copilot（VS Code + CLI）、Cursor、Gemini CLI、Codex、Windsurf、Cline / Roo Code、OpenCode、OpenClaw、Kilo Code、Google Antigravity、Mistral Vibe（planned）

——基本覆盖主流选择。

基于 Spring Cloud Alibaba + Gateway + Nacos + RocketMQ + Vue & Element 实现的后台管理系统 + 用户小程序，支持 RBAC 动态权限、多租户、数据权限、工作流、三方登录、支付、短信、商城等功能

• 项目地址：https://github.com/YunaiV/yudao-cloud

• 视频教程：https://doc.iocoder.cn/video/

4 层压缩策略，每层针对一类噪音（来自官方 README）

RTK 的核心能力是 4 种压缩策略 ——这 4 个名字全部来自 官方 README ，每种针对不同类型的命令输出，组合使用。

策略 1：Smart Filtering（智能过滤）

官方原话 ：Eliminates unnecessary content like comments, excess whitespace, and boilerplate.

终端输出里有大量给人类看的装饰物——LLM 完全用不上 ：

• ANSI 颜色码（mvn install 的绿色 BUILD SUCCESS、红色报错）；

• 进度条和旋转光标；

• 多余空行和装饰性分隔线。

举例 ：git push 原始输出 15 行约 200 Token（远程仓库信息、对象计数、压缩进度），RTK 过滤后只剩一行 ok main，约 10 Token 。

ruoyi-vue-pro 实战体验 ：跑完 mvn deploy 那 200 多行的输出，RTK 直接精简到只剩两条关键信息——「BUILD SUCCESS」+「部署到 Nexus 的 URL」。

策略 2：Grouping（分组聚合）

官方原话 ：Consolidates similar items (organizing files by directory, errors by category).

输出大量同类信息时，按目录或类型 分组聚合。

举例 ：ls -la 列出 100 个文件，原始输出 100 行——RTK 会变成「yudao-module-system/ 目录下 45 个 .java 文件 + 12 个 .xml 文件」。实测 ls / tree 类命令：2000 → 400 Token，省 80% 。

yudao-cloud 实战体验 ：让 AI 看一眼 microservices 整体目录结构，以前 1500 Token 的目录树现在只要 200 Token 。

策略 3：Truncation（截断保留）

官方原话 ：Preserves relevant context while cutting redundant information.

测试命令是 Token 浪费的重灾区。ruoyi-vue-pro 跑一次 mvn test，几百个 case 全通过——每个 case 一行 Tests run: 1 Failures: 0 Errors: 0 Skipped: 0，加起来上千 Token，对 AI 毫无价值 。

RTK 的做法：保留失败的 case 详情和错误堆栈，通过的只显示一行摘要——Tests passed: 487 。实测 mvn test / npm test：25000 → 2500 Token，省 90% 。

关键细节 ：RTK 的截断策略优先保留尾部输出 ——大部分构建和测试工具习惯把错误信息放在最后，保尾部 = 更大概率保留真正有用的诊断信息 。

策略 4：Deduplication（去重合并）

官方原话 ：Collapses repeated log lines and replaces them with occurrence counts.

构建日志里反复出现的「Compiling...」、容器日志里统一格式的时间戳前缀——这些重复模式会被 RTK 识别并合并 。

举例 ：mvn clean install 跑 yudao-cloud 多模块构建时，输出几十行类似 [INFO] Building yudao-module-xxx 0.0.1——RTK 压缩成一行「Built 22 modules 」。Kubernetes 的 Pod 启动日志里那种「连接数据库 / 注册 Nacos / 启动监听端口」三连重复，也能被合并到一行。

Auto-Rewrite Hook：透明拦截，不入侵主循环

你可能会问：RTK 是怎么拦截命令输出的？要改 Claude Code 的代码吗？

不需要 。RTK 的核心技术是 Auto-Rewrite Hook——利用 Claude Code 等工具提供的 Hook 机制（通常是 PreToolUse hook），在命令执行完毕后、输出喂给 LLM 之前 ，透明地拦截并重写输出。

流程：

你让 AI 执行 npm test
   ↓
AI 通过 Bash 工具执行命令，拿到完整输出
   ↓
Hook 触发，RTK 接管这段输出
   ↓
RTK 应用压缩策略，生成精简版本
   ↓
精简版本喂给 LLM；原始输出仍在你的终端里显示

对 Claude Code 来说，它完全不知道输出被改过 ——只知道命令执行完了、结果是这些。对用户来说，原始输出仍然显示在你的终端里，不会丢失任何信息 。

这个设计很关键——RTK 不入侵主循环、不改工具链代码、不改变使用习惯 。它就像一个翻译器：把给人看的长篇大论变成给 AI 看的精简摘要。

如果 AI 真需要完整输出怎么办？

RTK 用 tee 机制 解决——原始输出被压缩后并未丢弃，而是通过 tee 管道保存在临时位置。AI 确实需要查看完整输出时（比如调试一个奇怪的测试失败），可以通过特定命令调取原始版本。

就像快递打包——把大箱子换成小箱子节省运费，但大箱子还寄存在快递站，随时能取回。

省了多少？算一笔账

换算成钱 （以 Claude Sonnet 4.7 定价为例：输入  15/M）：

• 一次 30 分钟会话压缩前 ~118K token，压缩后 ~23.9K token，省 ~94K ；

• 按混合定价粗算，一次会话省 $0.3-0.5 ；

• 一天开 5 个会话，一个月省 $45-75 ；

• 用 Opus 或更贵的模型，这个数字翻几倍。

有用户反馈在 Claude Code 上累计节省了 10M token（89%） 。

RTK 提供两个命令查看节省：

rtk gain          # 查看累计节省
rtk gain --graph  # 30 天趋势图

rtk discover 还能分析你过去一段时间的命令历史，给出哪些命令消耗最多 token、哪些命令有最大压缩空间 的洞察报告。

30 秒装好

两种方式任选：

brew install rtk

或者：

curl -fsSL https://raw.githubusercontent.com/rtk-ai/rtk/refs/heads/master/install.sh | sh

执行一次初始化（按你用的 AI 工具选择）：

# Claude Code
rtk init -g

# Cursor
rtk init -g --agent cursor

# Codex
rtk init -g --codex

# Windsurf
rtk init --agent windsurf

-g 表示全局配置——之后你在任何目录启动 AI 编程工具，RTK 都会自动接管命令输出 。

重启 AI 编程工具就生效，整个过程不超过 30 秒 。

卸载也是一行：

rtk init -g --uninstall

横向对比：和其他省 token 方案的差别

这几个方案不冲突，可以叠加使用 。我的建议：

• 终端命令密集型工作 （测试 / 构建 / Git 频繁）→ RTK 或 tokf 是首选；

• 大型项目文件多 ，AI 经常读不相关文件 → 配 .claudeignore；

• 上下文窗口快满 → 开 Compact Mode。

RTK vs tokf ：RTK 胜在支持工具更多（12 款 vs tokf 的几款），且提供 rtk gain 和 rtk discover 等分析工具；tokf 更轻量。两者都试，选自己顺手的 。

适用场景与局限

✅ 适合 ：

• 重度使用 Claude Code / Cursor / Codex；

• 频繁执行测试 / 构建 / Git 操作；

• Token 消耗是真实痛点（成本或 context 上限）。

❌ 不太需要 ：

• 偶尔用 AI 写点代码、token 消耗本来就低；

• 主要用 AI 做代码解释 / 文档生成，很少执行命令；

• 已通过其他方式把 token 控制在合理范围。

⚠️ 局限 ：

• 压缩本质是删减——有概率删掉 AI 真正需要的信息 ，比如调试偶发测试失败时 AI 可能需要看完整输出；

• 对于非标准格式 / 自定义脚本输出，RTK 内置规则可能覆盖不到 ，压缩效果打折扣。

不过说实话，这个风险和省下来的成本比，我觉得是可以接受的 。误删关键信息的次数屈指可数，大部分时候压缩后的输出对 AI 来说够用了。

我的判断

RTK 解决的问题很小众但很真实：AI 编程助手的 token 消耗，很大一部分被命令输出噪音吃掉了 。

它的价值在三个字：

• 省 ——80-90% token 节省，按当前模型定价回本很快；

• 稳 ——单一二进制 + 零依赖 + < 10ms 启动，不影响原工作流；

• 透 ——透明 Hook 拦截，不入侵主循环、不改工具链。

如果你是 AI 编程工具的重度用户，30 秒装一下 RTK，余额会感谢你。

项目地址：github.com/rtk-ai/rtk

---

欢迎加入我的知识星球，全面提升技术能力。

👉 加入方式，“长按”或“扫描”下方二维码噢：

星球的内容包括：项目实战、面试招聘、源码解析、学习路线。

文章有帮助的话，在看，转发吧。
谢谢支持哟 (*^__^*）