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：
- Smart Filtering — 移除噪声（注释、空白、样板）
- Grouping — 按目录/错误类型聚合相似项
- Truncation — 保留相关上下文，截断冗余
- 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 | RTK | Headroom | 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 | Rust | Python / TypeScript | N/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 → 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 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：Headroom 使用场景：AI 编码助手 · Token 优化 · LLM 应用开发
个人备注
{留白，供后续补充实际使用心得}