Los residuos web consumen tu presupuesto de tokens
Navegación, banners de cookies, pies de página, anuncios: la mayor parte de una página raspada es texto repetitivo que pagas para incrustar y pagar de nuevo para solicitar.
Caso de uso · Scrapadores y rastreadores
Raspa sin procesar. Alimenta lean.
LeanCTX convierte páginas raspadas en contexto listo para el modelo: ctx_url_read ingiere HTML, PDF, RSS y transcripciones de YouTube, elimina texto repetitivo (boilerplate), desduplica entre páginas y extrae hechos y citas. Tu rastreador permanece simple. La capa de contexto reduce su salida entre un 60% y un 90% antes de que cualquier modelo la vea.
Same engine. Different workflow. Always the right context.
Lo que te cuesta hoy.
Los duplicados se multiplican en silencio
El mismo artículo aparece en cinco URLs. Sin desduplicación consciente del contenido, lo almacenas y procesas cinco veces.
Las descargas sin procesar no son buscables
Una carpeta de HTML raspado no es una base de conocimiento. Tu agente necesita recuperación clasificada, no 10.000 archivos.
Las capacidades que hacen el trabajo.
Todo lo siguiente se implementa en el binario de código abierto hoy. Sin elementos de hoja de ruta, sin listas de espera.
Tus herramientas→LeanCTX→Modelo
Ingesta universal
ctx_url_read maneja HTML, feeds RSS, PDFs y transcripciones de YouTube
Modos de hechos y citas
las páginas se colapsan en hechos atribuibles y citas textuales
Desduplicación
desduplicación por hash de contenido entre páginas, sesiones y rastreos
BM25 + búsqueda en grafo
todo lo ingerido se vuelve localmente buscable y clasificable
Archivo local
los originales permanecen recuperables; la compresión nunca es un callejón sin salida
De cero a la primera ganancia.
terminal
# ingestar una página como hechos atribuibles
$ ctx_url_read("https://example.com/article", mode="facts")# ingestar un feed; los elementos llegan con fecha y desduplicados
$ ctx_url_read("https://news.site/feed.xml")# buscar todo lo que has ingerido
$ lean-ctx grep "quarterly revenue"# recuperar el original completo cuando sea necesario
$ ctx_retrieve(id)Una guía. Dos caminos. Referencia completa.
01
guía · Guía de fuentes de datos
Cada formato de ingesta y cómo se normaliza.
Saber más02
camino · Más allá del código: investigación web
De URL a respuesta citada, de principio a fin.
Saber más03
camino · Memoria y conocimiento
Cómo persiste y se clasifica el contenido ingerido.
Saber más04
referencia · Referencia de modos de lectura
hechos, citas, entropía y amigos.
Saber másPreguntas que los equipos hacen antes de adoptar.
No. Se sitúa después de tu scraper. Mantén Playwright, Scrapy o curl; canaliza la salida a través de LeanCTX y tus modelos recibirán contexto desduplicado, comprimido y searchable en lugar de HTML sin procesar.
Páginas HTML, PDFs, CSV, feeds RSS/Atom, texto plano, correo electrónico y transcripciones de YouTube. Cada formato tiene su propia estrategia de normalización antes de la compresión.
Siempre. Cada original se archiva localmente y es recuperable a través de ctx_retrieve. La compresión en LeanCTX es reversible por diseño.
Recupera el control de tu contexto.
Gratis para uso local, siempre. CI lo exige. Un binario, diez minutos hasta la primera ganancia medida.