知识库
MD 状态：评估中 更新：2026/6/4
工具库 Rust LLM工具链 CLI工具 ⭐⭐⭐⭐

RTK (Rust Token Killer)

[!info] 知识库定位 这是一篇 工具评估 / 使用笔记，重点回答”它值不值得用、怎么用、什么时候不用”。 底层概念链接到 related_concepts；真实项目落地链接到 used_in_projects。

高性能 CLI 代理——在 AI Agent 和 shell 之间拦截命令输出，压缩 token 消耗 60-90%，单一 Rust 二进制，<10ms 开销。

为什么需要它

AI 编码助手（Claude Code、Copilot、Cursor 等）在执行 git log、npm test、pytest 等命令时，返回的输出往往冗长且充满噪声——注释、空白行、重复日志、样板文件。这些内容直接进入 LLM 上下文，快速消耗 token 预算。RTK 作为透明中间层，自动过滤和压缩命令输出，让 Agent 用更少的 token 获得同等质量的信息。

核心优势

  • 极低开销：单一 Rust 二进制，无外部依赖，命令执行延迟 <10ms
  • 100+ 命令支持：覆盖 git、cargo、npm、pytest、go test、docker、kubectl、AWS CLI、GitHub CLI 等主流开发工具
  • 14 个 AI 工具自动集成：Claude Code、Copilot、Cursor、Gemini CLI、Codex、Windsurf、Cline、Hermes 等，一键 hook 安装
  • Tee 模式：失败时自动回退到完整输出，LLM 不会因压缩丢失调试信息
  • Token 分析：rtk gain、rtk discover、rtk session 命令提供可视化的 token 节省统计

性能表现

场景压缩前压缩后节省
30 分钟编码会话（综合）~118,000 tokens~23,900 tokens~80%
git 命令输出高显著减少60-90%
测试运行输出高显著减少60-90%

压缩策略：

  1. Smart Filtering — 移除噪声（注释、空白、样板）
  2. Grouping — 按目录/错误类型聚合相似项
  3. Truncation — 保留相关上下文，截断冗余
  4. Deduplication — 重复日志行合并计数

快速上手

安装

# Homebrew（macOS/Linux）
brew install rtk

# 快速安装脚本
curl -fsSL https://rtk-ai.app/install.sh | sh

# Cargo（从源码）
cargo install --git https://github.com/rtk-ai/rtk

# 预编译二进制：macOS (x86_64/aarch64)、Linux (x86_64/aarch64)、Windows (x86_64)

最小示例

# 安装后，为 Claude Code 自动配置 hooks
rtk install claude-code

# 之后正常使用，RTK 自动拦截并压缩命令输出
# 例如 Agent 执行 git status 时，实际运行 rtk git status

# 查看 token 节省统计
rtk gain
rtk session

配置要点

  • ~/.config/rtk/config.toml：主配置文件，控制过滤规则、命令映射等
  • Tee 模式：失败时保留完整输出，确保调试信息不丢失
  • 自动 rewrite hooks：安装后自动配置 AI 工具的 shell hook，无需手动修改

适用场景

适合：

  • AI 编码助手的日常开发工作——大量 shell 命令输出是 token 消耗大户
  • CI/CD 环境——测试、lint、构建输出通常极其冗长
  • 多人协作——统一的 token 节省策略，降低团队 LLM 成本
  • 追求极低延迟——Rust 实现，几乎无感知开销

不适合：

  • 非 shell 命令的内容压缩（文件读取、RAG 结果、对话历史）——RTK 只处理命令输出
  • 需要 ML 级别智能压缩的场景——RTK 基于规则，不是 ML 模型
  • 不使用 AI 编码助手的场景——RTK 的价值完全在于减少 LLM token

已知坑 & 注意事项

  • 仅限命令输出：RTK 不处理文件读取、API 调用、对话历史等非 shell 内容
  • Windows 支持：最佳体验在 WSL 上，原生 Windows 支持可用但不如 Unix 环境完善
  • 过滤规则可能过激：某些场景下过度过滤可能丢失有用信息，Tee 模式是安全网

竞品对比

维度RTKHeadroom手动截断
压缩范围仅 shell 命令输出全部上下文（工具输出、日志、文件、对话）手动选择
压缩方式规则驱动（过滤/分组/截断/去重）ML 模型 + AST 感知 + 规则直接丢弃
性能开销<10ms中等（ML 推理）零
可逆性✅ Tee 模式✅ CCR 模式❌ 丢失
安装复杂度极简（单一二进制）中等（Python 包 + extras）无
语言RustPython / TypeScriptN/A

选择建议：

  • 命令输出是主要 token 消耗源 → RTK（专精、极速、零配置）
  • 需要全面压缩所有类型的内容 → ../记忆与持久化/Headroom
  • 两者叠加使用 → RTK 处理命令输出（第一层），Headroom 处理整体上下文（第二层），效果最佳

生态 & 社区

  • 维护状态：活跃。v0.40.0，持续迭代
  • 文档质量：好。官方网站 rtk-ai.app
  • 社区活跃度：58.5k stars，社区庞大
  • License：Apache 2.0，商用友好

引入评估

维度评分（/5）备注
上手难度⭐⭐⭐⭐⭐单一命令安装，自动 hook 配置
文档完善度⭐⭐⭐⭐官方文档清晰，但高级配置示例偏少
社区活跃⭐⭐⭐⭐⭐58.5k stars，非常活跃
性能⭐⭐⭐⭐⭐Rust 实现，<10ms 开销，几乎无感知
稳定性⭐⭐⭐⭐单一二进制，无外部依赖，稳定性好
综合⭐⭐⭐⭐命令输出压缩的最佳选择，极低开销，推荐搭配 Headroom 使用

结论：推荐 — 如果你的 AI 编码助手频繁执行 shell 命令，RTK 是最简单、最高效的 token 节省方案。单一 Rust 二进制、<10ms 开销、100+ 命令支持，几乎零成本接入。建议与 ../记忆与持久化/Headroom 搭配使用，分层压缩效果最佳。

推荐引入版本：rtk >= 0.40

相关链接

前置知识：Token 优化 · 上下文窗口 竞品/互补：../记忆与持久化/Headroom · ECC 使用场景：AI 编码助手 · Token 优化 · LLM 应用开发 对比笔记：../对比与选型/ECC vs Headroom vs RTK vs claude-mem 对比

个人备注

{留白，供后续补充实际使用心得}

出站链接

关联笔记