에이전트가 하루 종일 같은 파일을 다시 읽습니다
모든 프롬프트는 동일한 모듈을 재공급합니다. 원시 리드는 신호가 담긴 내용이 약 920개인데도 4,200개의 토큰을 덤프합니다. 내일은 다시 읽습니다.
Same engine. Different workflow. Always the right context.
당신에게 비용이 드는 것 오늘.
셸 출력이 창을 범람시킵니다
단일 cargo 빌드나 npm install만으로도 모델이 필요하지 않은 진행률 표시줄 및 경고 메시지에 수천 개의 토큰을 소모할 수 있습니다.
컨텍스트 창이 채워지고, 정확도가 떨어집니다
Context-rot 연구에 따르면 노이즈로 컨텍스트 창이 채워질수록 모델의 정확도는 98%에서 64%까지 하락합니다. 더 많은 컨텍스트가 더 나은 컨텍스트를 의미하지 않습니다.
작동하는 역량들 을
아래 모든 것은 오늘 오픈 소스 바이너리에 포함됩니다. 로드맵 항목도, 대기 목록도 없습니다.
당신의 도구→LeanCTX→모델
10가지 읽기 모드
map, signatures, diff, entropy 및 기타. tree-sitter를 통한 AST 인식, 26개 언어 지원
세션 캐시
캐시된 재읽기는 전체 파일 대신 약 ~13 토큰을 소모합니다
95+ 셸 패턴
cargo, npm, docker, tsc, pytest… 오류 + 결과로 압축
30개 이상의 AI 도구
Cursor, Claude Code, Codex, Copilot, Windsurf, Cline. 단일 설정 명령어로 통합
lean-ctx gain
서명된 로컬 원장(ledger)에서 저장한 내용을 정확하게 보여줍니다
제로에서 시작하여 첫 번째 이득을 얻으세요.
terminal
# 설치
$ curl -fsSL https://leanctx.com/install.sh | sh# 설치된 모든 AI 도구를 자동 감지 및 구성
$ lean-ctx setup# 통합 기능 확인
$ lean-ctx doctor# 하루 작업 후: 저장한 내용을 확인하세요
$ lean-ctx gain하나의 가이드. 두 가지 여정. 완벽한 참고 자료.
채택 전 팀들이 묻는 질문들.
실제 리포지토리 작업 기준으로 측정: 읽기당 60–90% 적은 토큰, 캐시된 재읽기는 약 13 토큰, 셸 출력은 88–99% 감소. 자체 저장소에서 수치를 확인하려면 lean-ctx benchmark report .을 실행하세요.
아닙니다. lean-ctx 설정 후, AI 도구는 MCP 또는 셸 후크를 통해 LeanCTX를 자동으로 호출합니다. 에디터와 에이전트, 그리고 워크플로우는 그대로 유지됩니다. 컨텍스트 레이어가 그 아래에서 작동하는 것입니다.
아닙니다. 아무것도 손실되지 않습니다. AST 인식 모드는 시그니처와 구조를 유지하며, 모든 원본 데이터는 ctx_retrieve를 통해 로컬에서 검색 가능합니다. 일반적으로 컨텍스트가 작을수록 답변의 질이 향상됩니다: context-rot 연구에 따르면 창(window)이 노이즈로 채워질수록 정확도가 떨어지는 것으로 나타났습니다.