Why not just grep?
grep finds text. LeanCTX finds the right symbols, ranks them by relevance, and returns budgeted, structural context instead of 500 raw matches you still have to read and filter.
ईमानदार तुलना
आपके पास पहले से ही टूल्स हैं। यही अंतर है।
संपीड़न उपकरण जो आप वायर पर भेजते हैं उसे छोटा करते हैं। LeanCTX भी ऐसा करता है — और यह तय करता है कि सबसे पहले क्या पढ़ा जाएगा, फिर इसकी सुरक्षा करता है, याद रखता है और इसका प्रमाण देता है। एक सीधा नज़रिए से कि यह क्या बेहतर करता है, क्या समान रूप से करता है, और कब आपको इसकी बिल्कुल ज़रूरत नहीं है।
एक साथ तुलना
आपका एजेंट, के साथ और के बिना।
वही एजेंट, वही रिपॉज़िटरी। एकमात्र चर उनके बीच की परत है।
| Feature | कोई टूल नहीं | मैनुअल नियम | LeanCTX |
|---|---|---|---|
| टोकन बचत | कोई नहीं | कम (स्थैतिक नियम) | 60–95% (कैश्ड: 99%) |
| सेटअप प्रयास | कोई नहीं | प्रति-परियोजना मैनुअल | एक कमांड |
| एजेंट समर्थन | लागू नहीं | केवल एक एजेंट | 29+ एजेंट |
| Caching | कोई नहीं | कोई नहीं | स्वचालित + डेल्टा |
| शेल संपीड़न | कोई नहीं | कोई नहीं | 95+ पैटर्न |
| कोड विश्लेषण | कोई नहीं | कोई नहीं | Tree-sitter AST |
| रखरखाव | कोई नहीं | मैनुअल अपडेट्स | स्वचालित |
| सुरक्षा और शासन | कोई प्रवर्तन नहीं | बुनियादी फ़ाइल ACL | OWASP-aligned: PathJail, शेल allowlist, secret redaction, OS-sandboxed कोड निष्पादन (ctx_execute), ऑडिट ट्रेल |
| Compliance & Evidence | Screenshots | मैनुअल साक्ष्य संग्रह | हस्ताक्षरित साक्ष्य बंडल + ऑफ़लाइन leanctx-verify, EU AI Act / ISO 42001 / SOC 2 कवरेज, CGB + नीति कवरेज |
| SDKs और विस्तारशीलता | कोई नहीं | अनुकूल गोंद कोड | Python + TypeScript SDKs (14-जाँच अनुरूपता), /v1 OpenAPI + क्षमताएं, ctx_tools गेटवे, WASM और प्लगइन एक्सटेंशन |
The cached figure (99%) is a repeat read served from cache at ~13 tokens; a first read never returns more tokens than the raw file, and every saving is measured net of injection, so the number reconciles to your provider bill.
Context engineering isn't compression. It's what decides what gets read.
vs. विकल्पों के साथ
LeanCTX की तुलना किससे होती है अन्य टूल्स से
RTK, Context+, MemGPT/Letta और Headroom के साथ फ़ीचर-दर-फ़ीचर तुलना, जो सबसे अधिक संदर्भित विकल्प हैं। उनके सार्वजनिक दस्तावेज़ीकरण से तथ्य-आधारित।
| Feature | RTK | Context+ | MemGPT / Letta | Headroom | LeanCTX |
|---|---|---|---|---|---|
| रीड मोड्स | सिंगल मोड | बेसिक फ़िल्टरिंग | N/A (मेमोरी-केंद्रित) | पढ़ने के बाद संपीड़ित करता है | 10 मोड्स (auto, map, signatures, diff, entropy...) |
| शेल कम्प्रेशन | नहीं | नहीं | नहीं | नहीं | 95+ पैटर्न, ऑटो-डिटेक्टेड |
| सेशन मेमोरी | बेसिक स्टेट | बातचीत का इतिहास | कोर फ़ीचर (टियरड मेमोरी) | dedup के साथ क्रॉस-एजेंट स्टोर | एपिसोडिक + प्रोसीजरल + नॉलेज ग्राफ़ |
| Multi-Agent | नहीं | नहीं | सीमित (सिंगल एजेंट फोकस) | साझा स्टोर | हैंडऑफ, शेयर्ड सेशन्स, कॉन्टेक्स्ट बस |
| कोड ग्राफ़ / AST | बुनियादी इंडेक्सिंग | नहीं | नहीं | नहीं | Tree-sitter AST, 26 भाषाएँ, सिंबल रिज़ॉल्यूशन |
| Governance & Budgets | नहीं | नहीं | नहीं | नहीं | भूमिका-आधारित बजट, SLOs, ऑडिट ट्रेल |
| Local-First / Privacy | क्लाउड-निर्भर | स्थानीय | सर्वर-आधारित | Python पैकेज + प्रॉक्सी | 100% स्थानीय, शून्य टेलीमेट्री |
| MCP टूल्स | सीमित | कोई MCP नहीं | कोई MCP नहीं | बाहरी टूल रैप करता है | 81 दानेदार MCP टूल्स |
| Security Hardening | None | None | Basic auth | None | Sandboxing, signed bundles, audit reports |
जून 2026 तक सार्वजनिक रूप से उपलब्ध दस्तावेज़ीकरण और स्रोत कोड पर आधारित। RTK (github.com/rtk-ai/rtk), Context+ (github.com/ForLoopCodes/contextplus), MemGPT/Letta (arxiv.org/abs/2310.08560), Headroom (github.com/chopratejas/headroom)। सभी उपकरण वास्तविक समस्याओं का समाधान करते हैं। LeanCTX बस एक बाइनरी में संदर्भ समस्या की अधिक परतों को कवर करता है।
कम्प्रेशन लेयर्स के मुकाबले
कम्प्रेशन जो पढ़ा गया उसे छोटा कर देता है। context engineering तय करता है कि क्या पढ़ा जाएगा।
Headroom जैसे टूल्स वायर पर रिक्वेस्ट को कंप्रेस करते हैं। LeanCTX पहले से ही वह लेयर प्रदान करता है — एक वैकल्पिक स्थानीय प्रॉक्सी हर रिक्वेस्ट को, प्रॉम्प्ट-कैश-सेफ तरीके से कंप्रेस करता है — और स्रोत पर एक परत और गहरा जाता है: यह तय करता है कि क्या पढ़ा जाएगा। Headroom के साथ संगत, लेकिन आमतौर पर आपको ऊपर इसकी आवश्यकता नहीं होती। यहाँ असली अंतर है।
| Dimension | कम्प्रेशन लेयर (जैसे Headroom) | LeanCTX |
|---|---|---|
| जहाँ यह बैठता है | मैसेज पाथ: जो एजेंट ने पहले ही पढ़ा उसे कंप्रेस करता है | स्रोत पर: तय करता है कि क्या और कैसे पढ़ना है (10 मोड, इंटेंट रूटिंग, ~13-टोकन कैश किए गए री-रीड्स) |
| Memory | डिडुप के साथ क्रॉस-एजेंट स्टोर | स्थायी ज्ञान: प्रॉपर्टी ग्राफ, सेशन, हैंडऑफ़्स, एविडेंस लेजर |
| Governance | — | PathJail, शेल अलाउलिस्ट, सीक्रेट रेडैक्शन, बजट, इंजेक्शन डिटेक्शन |
| प्रूफ | स्टैट्स एंडपॉइंट | एड25519-साइन किया हुआ, हैश-चेनित लेजर + पुनरुत्पादनीय बेंचमार्क |
| उत्क्रमणीयता (Reversibility) | संदर्भ पुनर्प्राप्ति स्टोर | यह भी उत्क्रमणीय है: हर मूल चीज़ बनी रहती है ctx_retrieve से परे |
| Form | Python पैकेज + प्रॉक्सी | एक Rust बाइनरी, 30+ टूल स्वतः-पहचाने गए, शून्य कॉन्फ़िगरेशन |
नोट: कुछ थर्ड-पार्टी तुलना तालिकाएँ lean-ctx को "उत्क्रमणीय: नहीं" के रूप में सूचीबद्ध करती हैं; यह गलत है। LeanCTX में हर संपीड़ित रीड स्थानीय रूप से संग्रहीत होता है और ctx_retrieve के माध्यम से पुनः प्राप्त किया जा सकता है। संपीड़न (Compression) LeanCTX के पाँच उपप्रणालियों में से एक है। दोनों टूल एक साथ भी चल सकते हैं; Headroom lean-ctx को एक संगत संदर्भ टूल के रूप में सूचीबद्ध करता है।
सिर्फ़ क्यों नहीं…
आपका स्टैक पहले से ही कुछ ऐसा करता है। यहाँ वह चीज़ है जो यह नहीं करता।
LeanCTX, grep या आपके एडिटर को रिप्लेस नहीं करता। यह वह लेयर है जो तय करती है कि आपकी AI का ध्यान किस पर होना चाहिए।
Why not just read the files?
A raw read dumps 4,200 tokens when ~920 carry the signal. LeanCTX keeps the signal and drops the noise, and a cached re-read costs about 13 tokens instead of the whole file again.
Why not just compact more often?
Compaction throws away history you might still need. With LeanCTX there's never a dead end: every original is archived on disk and your agent retrieves it on demand. Nothing is silently lost.
Why not another MCP server?
Most MCP servers add tool-definition overhead and hand back raw output. LeanCTX is a full cognitive context layer: caching, persistent memory, shell hooks, and governance, all in one local binary.
सर्वोत्तम फिट
जब lean-ctx चमकता है
LeanCTX इन परिदृश्यों में सबसे अधिक मूल्य प्रदान करता है।
बड़े कोडबेस
सैकड़ों या हजारों फ़ाइलों वाले प्रोजेक्ट सबसे अधिक लाभ उठाते हैं। प्रबंधित करने के लिए जितना अधिक संदर्भ होगा, बचत उतनी ही बड़ी होगी।
मल्टी-एजेंट वर्कफ़्लो
जब कई AI एजेंट एक ही प्रोजेक्ट पर काम करते हैं, तो LeanCTX उन्हें एक साझा मस्तिष्क देता है: हर एजेंट के लिए सुसंगत, शासित संदर्भ।
पुनरावृत्ति विकास
बार-बार फ़ाइल पढ़ने से लंबी कोडिंग सत्रों में कैश हिट होता है - री-रीड्स की लागत हजारों के बजाय केवल ~13 टोकन होती है।
पारदर्शिता
जब आपको इसकी ज़रूरत नहीं
हम ईमानदार टूलिंग में विश्वास करते हैं। LeanCTX बड़े कोडबेस वाले प्रोजेक्ट्स के लिए डिज़ाइन किया गया है - हर चीज़ के लिए नहीं।
हमेशा ज़रूरी नहीं
- सिंगल-फ़ाइल स्क्रिप्ट या छोटे यूटिलिटीज़
- 50 फ़ाइलों से कम वाले प्रोजेक्ट्स
- फ़ाइल संदर्भ के बिना एक बार के प्रॉम्प्ट
इन मामलों में, एक context layer का ओवरहेड उचित नहीं है। LeanCTX तब चमकता है जब आपके प्रोजेक्ट बढ़ते हैं और context management एक बाधा बन जाता है।
तुलनाएँ, उत्तर दी गईं। answered.
Straight answers about where LeanCTX fits and what makes it different.
मैनुअल प्रॉम्प्ट इंजीनियरिंग में हर संदर्भ विंडो को हाथ से बनाना पड़ता है। LeanCTX इसे 10 रीड मोड, AST-जागरूक संपीड़न और सेशन मेमोरी के साथ स्वचालित करता है, जिससे शून्य मैन्युअल प्रयास पर 88%+ टोकन की बचत होती है।
LeanCTX एक सादा MCP सर्वर नहीं बल्कि एक पूर्ण संज्ञानात्मक संदर्भ परत है: CLI इंटीग्रेशन, शेल हुक, 81 MCP टूल, स्थायी मेमोरी, कोड इंटेलिजेंस ग्राफ और भूमिकाओं तथा बजट के साथ एक गवर्नेंस लेयर।
हाँ। LeanCTX में Cursor, Claude Code, GitHub Copilot, Windsurf, Gemini CLI, Codex और JetBrains IDEs सहित 30 से अधिक AI टूल्स का समर्थन है। स्वचालित कॉन्फ़िगरेशन के लिए lean-ctx setup चलाएँ।
Headroom जैसे टूल्स वायर पर रिक्वेस्ट को कंप्रेस करते हैं — प्रॉक्सी लेयर। LeanCTX पहले से ही वह लेयर प्रदान करता है: एक वैकल्पिक स्थानीय प्रॉक्सी (lean-ctx proxy enable) हर रिक्वेस्ट को कंप्रेस करता है — सिस्टम प्रॉम्प्ट, हिस्ट्री और टूल रिजल्ट्स — प्रॉम्प्ट-कैश-सेफ, वास्तविक डॉलर की बचत का मीटरिंग करता है, इसलिए आमतौर पर आपको ऊपर कोई अलग रिक्वेस्ट-कम्प्रेशन प्रॉक्सी की आवश्यकता नहीं होती। और LeanCTX एक परत और गहरा जाता है, स्रोत पर: यह तय करता है कि सबसे पहले क्या पढ़ा जाएगा (10 रीड मोड, ~13-टोकन कैश किए गए री-रीड्स), सत्रों में ज्ञान को याद रखता है, फ़ाइल और शेल एक्सेस की रक्षा करता है, और हर बचत पर एक सत्यापन योग्य लेजर में हस्ताक्षर करता है। कम्प्रेशन — रीड-साइड और वायर-साइड — इसके पाँच सबसिस्टम में से एक है, और यह पूरी तरह से प्रतिवर्ती है: हर मूल चीज़ one ctx_retrieve दूर रहती है।
हाँ। हर कंप्रेस्ड रीड को स्थानीय रूप से संग्रहीत किया जाता है और full original की मांग पर ctx_retrieve के माध्यम से पुनर्प्राप्त किया जा सकता है। कुछ भी चुपचाप खोता नहीं है; LeanCTX आपके एजेंट को यह बताने में भी मदद करता है कि पूर्ण सामग्री कब मांगनी है।
वे आपके AI विक्रेता को आपकी कंपनी याद रखने देते हैं — आप इसे टैग करते हैं, एक थ्रेड में फॉलो अप करते हैं, और यह मेमोरी बनाता है। लेकिन वह मेमोरी उनके ब्लैक बॉक्स में रहती है: आप नहीं देख सकते कि यह कहाँ स्थित है, इसे कहीं ले जा सकते हैं, या इसके नीचे मॉडल बदल सकते हैं। यह एक संदर्भ लॉगिन है, न कि एक मॉडल लॉगिन — अंत में आपको अपने ही कंपनी ज्ञान को किराए पर लेना पड़ता है। LeanCTX खाई आपके पक्ष में रखता है: सत्र, एक नॉलेज ग्राफ और पोर्टेबल .ctxpkg पैकेज स्थानीय और निरीक्षण योग्य रहते हैं, OpenAI, Anthropic और Gemini के लिए मॉडल-अज्ञेयवादी। वही एजेंट-एज़-टीमेट वर्कफ़्लो; आप संदर्भ बनाए रखते हैं।
इसे देखेंआपके रेपो पर।
एक मिनट से कम समय में इंस्टॉल करें, एक सत्र चलाएं, फिर लेजर की जाँच करें। आपके नंबर तर्क देंगे।