#context-window Repositories
Entdecke 12 aktive Open-Source-GitHub-Repositories, die mit #context-window getaggt sind und insgesamt 123,234 Sterne gesammelt haben (durchschnittlich 10,269 Sterne pro Projekt). Spitzenreiter in diesem Themenbereich ist headroomlabs-ai/headroom mit 80,240 Sternen.
Insgesamt 12 Repositories
Komprimieren Sie Tool-Ausgaben, Protokolle, Dateien und RAG-Chunks, bevor sie das LLM erreichen. 20 % weniger Token für Coding-Agenten, 60-95 % weniger Token für JSON, bei gleichen Antworten. Bibliothek, Proxy, MCP-Server.
Nach welchen Prinzipien können wir LLM-gestützte Software entwickeln, die tatsächlich gut genug ist, um sie Produktionskunden zur Verfügung zu stellen?
Finde die Ghost-Tokens. Behebe sie. Überlebe die Kompaktion. Vermeide den Qualitätsverlust des Kontexts.
Eine super leichte eingebettete Code-Suchmaschinen-CLI (AST-basiert), die einfach funktioniert – verbessert Geschwindigkeit und Effizienz für Codierungsagenten 🌟 Sternen, wenn es dir gefällt!
Symbolbasierter Codeabruf für KI-Agenten: Rufe die benötigte Funktion ab, nicht die ganze Datei. Läuft lokal. Bei unserem Benchmark mit 15 Abrufen werden pro Abruf durchschnittlich 96,2 % weniger Tokens benötigt als mit grep-and-read. Funktioniert mit Claude Code, Cursor, Codex und jedem MCP-Client. Für nicht kommerzielle Nutzung kostenlos; für kommerzielle Nutzung ist eine einmalige Lizenz erforderlich.
Das ripgrep für KI-Kontext: eine C++23-CLI ohne Abhängigkeiten plus MCP-Server für Programmieragenten. Senke die Token-Kosten von Agenten, indem du Code findest, ohne das Repository zu lesen, und bewahre große Codebasen vor der Komplexitätswand: Auswirkungen, auszuführende Tests und Qualitätsveränderungen direkt beim Schreiben. Jede Vermutung wird gekennzeichnet, jeder Verlust veröffentlicht. Mit einer Karte hinaus aufs Wasser.
Hochleistungs-Code-Intelligence-Engine für KI-Agenten und IDE, unterstützt 257 Sprachen, mehrere Repositorys, graphbasiert, mit Zugriff über CLI, MCP-Server und API. KI-Codierungsagenten-Teamkollege - nur benötigte Informationen offenlegen, Token-Verbrauch um bis zu 50x reduzieren. 100% lokal. Discord: https://discord.gg/39MFHu3J5d
LLM-überwachtes persistentes Gedächtnis für KI-Agenten – graphenbasierter Abruf, sitzungsübergreifendes Wissen, eine einzelne Binärdatei. Funktioniert mit DeepSeek Harness, Claude Code, OpenClaw und jeder Agenten-Laufzeitumgebung.
Kontextkomprimierung für KI-Coding-Agenten: Komprimiert die Tool-Ausgabe, bevor sie in das Modell gelangt, und dedupliziert Wiederholungen zu 13-Token-Referenzen. Claude Code, Cursor, Codex, Kiro, Zed und jeder MCP-Client. In Rust, ohne LLM-Aufrufe.
[ICML'24 Spotlight] LLM Maybe LongLM: Self-Extend LLM Context Window Without Tuning
Geben Sie Claude Code ein fotografisches Gedächtnis in EINER portablen Datei. Keine Datenbank, kein SQLite, kein ChromaDB - nur eine einzige .mv2-Datei, die Sie per git commit, scp oder teilen können. Nativer Rust-Kern mit Operationen unter einer Millisekunde.
Häufig gestellte Fragen
Welches ist das beliebteste #context-window-Repository auf GitHub?
Das am höchsten eingestufte Open-Source-#context-window-Projekt auf GitHub ist headroomlabs-ai/headroom mit 80,240 Sternen. Komprimieren Sie Tool-Ausgaben, Protokolle, Dateien und RAG-Chunks, bevor sie das LLM erreichen. 20 % weniger Token für Coding-Agenten, 60-95 % weniger Token für JSON, bei gleichen Antworten. Bibliothek, Proxy, MCP-Server.
Welche Programmiersprachen werden in #context-window-Repositories am häufigsten verwendet?
Unter den am höchsten eingestuften #context-window-Projekten auf GitHub sind Python, TypeScript, Go, C++ die am häufigsten verwendeten Programmiersprachen.
Wie wird das Ranking der #context-window-Repositories berechnet?
Wir verfolgen 12 aktive Open-Source-Repositories, die mit #context-window getaggt sind (500+ Sterne), mit insgesamt 123,234 Sternen und durchschnittlich 10,269 Sternen pro Repository. Die Rankings werden täglich über die GitHub-API aktualisiert.