Token 节省的神器 RTK：降 90%，适用 Claude Code、Codex、Cursor 等

大家好，我是蓝戒，本篇我们来聊聊 “Token （词元）节省的神器 RTK”。

背景：AI 编程正在被“噪音”拖

如果你最近在高频使用这些工具：

• Claude Code
• OpenAI Codex
• Cursor

你一定有这种感受：

AI 很聪明，但处理长任务时感觉降智了。

原因不在模型，而在上下文污染（Context Pollution）：

• npm test 输出几千行 ✔️日志
• git diff 动辄上万 token
• grep / ls / tree 充满无用信息

这些内容：

• 占满 200K context window
• 挤掉真正有价值的代码信息
• 导致推理质量下降

根据官方数据：

• 约 70% token 是“无用噪音”
• 一次 2 小时 AI 编程会话：
  • 210K tokens 是 CLI 输出噪音
  • 实际有效信息不到 10%

👉 这就是为什么你会感觉：

• AI 越聊越“失忆”
• 会话越来越短
• 成本越来越高

---

RTK 是什么？

RTK，全称：

Rust Token Killer（不是 GPS 那个 RTK）

👉 一个专门为 AI 编程设计的工具：

在命令输出进入 LLM 之前，进行压缩与过滤

官方定义：

• 单一 Rust 二进制
• 零依赖
• <10ms 开销
• 平均减少 89% 噪音

---

核心一句话理解：

👉 RTK = AI 编程时代的“输入层优化器”

---

核心原理：它到底是怎么做到的？

RTK 的位置非常关键：

没有 RTK：
AI → shell → command → 输出 → AI

使用 RTK：
AI → RTK → command → 过滤 → AI

👉 它是一个 CLI Proxy（命令代理层）

---

四大核心策略

RTK 不是简单“截断”，而是结构化压缩：

1️⃣ 智能过滤（Filter）

去掉：

• 注释
• 空行
• 无用日志
• progress bar

2️⃣ 分组（Group）

比如：

grep "error"

变成：

fileA.ts (3)
fileB.ts (1)

👉 从“流水账” → “结构化信息”

---

3️⃣ 截断（Truncate）

只保留：

• 错误
• 关键 diff
• 重要上下文

👉 丢掉 90%“可读但无用”的内容

---

4️⃣ 去重（Deduplicate）

例如：

Test passed x 200

👉 合并为：

200 tests passed

---

效果有多夸张？

官方真实数据（30 分钟 Claude Code 会话）：

操作	原始 token	RTK	节省
cat / read	40,000	12,000	-70%
grep / rg	16,000	3,200	-80%
git diff	10,000	2,500	-75%
npm test	25,000	2,500	-90%

👉 总体：

118K → 23.9K（节省约 80%）

---

再看一个真实例子：

cargo test

• 原始：≈ 4800 tokens
• RTK：≈ 24 tokens

👉 直接 -96% (rtk)

---

为什么它这么重要？

1️⃣ 提升 AI 推理质量

更干净的上下文 = 更好的 reasoning

👉 AI 不再被垃圾信息干扰

---

2️⃣ 会话长度直接翻倍 / 三倍

• context 不再被日志塞满
• 减少“重启对话”

👉 官方：会话长度提升 ~3x

---

3️⃣ 成本直降（尤其 API 用户）

适用于：

• Claude API
• Gemini CLI
• Aider

👉 平均节省：

约 70% token 成本

---

4️⃣ 提升 Agent 上限

比如：

• Codex：更多迭代
• Cursor：额度更持久
• Claude：更少触发 rate limit

---

如何使用（30 秒上手）

1️⃣ 安装

brew install rtk

或：

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

---

2️⃣ 启用自动 Hook（关键）

rtk init --global

👉 这一步会：

• 安装 PreToolUse hook
• 自动把：

git status

变成：

rtk git status

---

3️⃣ 验证

rtk --version
rtk gain

---

核心命令一览

文件 / 搜索

rtk ls .
rtk read file.ts
rtk grep "xxx" .
rtk find "*.ts"

---

Git

rtk git status
rtk git diff
rtk git log

---

测试（最爽的场景）

rtk test npm test
rtk pytest
rtk go test

👉 只显示失败，直接省 90%

---

分析

rtk gain
rtk gain --graph

👉 查看你节省了多少 token

---

最佳实践（重点）

✅ 必开：全局 Hook

rtk init --global

否则你不会真正受益

---

✅ 优先用于这些场景

• test 输出（收益最大）
• git diff
• grep / find
• docker logs

---

✅ 搭配工具推荐

最佳组合：

• Claude Code + RTK（最优体验）
• Cursor + RTK（提升额度利用率）
• Codex Agent + RTK（提升迭代次数）

---

⚠️ 注意事项

• 不要和“同名 RTK 项目”混淆（有多个 RTK）
• 确认：

rtk gain

能运行，才是正确版本

---

总结：这是一个被严重低估的方向

AI 编程工具的瓶颈，不是模型，而是：

输入质量（Context Engineering）

RTK 做的事情，本质是：

把“信息流”从垃圾数据，变成高密度信号

---

结语

未来 AI 编程的核心竞争力，不是模型更强，而是谁能喂给模型更干净的上下文。

RTK 就是在做这件事。

• AI 不缺 token，缺的是有价值的 token
• 垃圾输入 → 垃圾输出（AI 时代依然成立）
• RTK 本质不是优化工具，而是上下文革命的开始

官网：https://www.rtk-ai.app/
github仓库：https://github.com/rtk-ai/rtk