System decydujący o tym
co widzi Twój AI.
Warstwa inżynierii kontekstu dla agentów AIJeden lokalny binarny plik po obu stronach modelu. LeanCTX postrzega, kompresuje, pamięta, kieruje i zarządza całym cyklem życia kontekstu AI – od czytania plików do zweryfikowanych wyników.
Czym jest Warstwa Kontekstowa Poznawcza?
Warstwa Kontekstowa Poznawcza to infrastruktura pomiędzy Twoimi narzędziami AI a bazą kodu. Kontroluje, które pliki są czytane, jak kompresowany jest wynik, jaka wiedza utrzymuje się między sesjami i czy wyniki spełniają standardy jakości przed dostarczeniem.
Rysunek konstrukcyjny
Topologia procesu skompilowanego binarnego pliku: siedem punktów wejścia, jeden czas wykonania (runtime), jeden zestaw lokalnych magazynów. Każdy kwadrat poniżej odpowiada rzeczywistemu modułowi, portowi lub plikowi na dysku.
lean-ctx lean-ctx serve lean-ctx serve --daemon lean-ctx -c "<cmd>" lean-ctx proxy start lean-ctx dashboard lean-ctx watch · gain --live Co dzieje się z pojedynczym odczytem
Sheet 2 śledzi jeden żądanie przez czas wykonania, etap po etapie, włączając obwód zwrotny pamięci podręcznej, który sprawia, że powtarzane odczyty są niemal darmowe. Ścieżka powłoki działa równolegle z tym samym rozliczeniem.
ctx_read(path, mode) · lean-ctx read - PathJail
core/pathjail.rsCanonicalises the path and rejects escapes outside the workspace root before any I/O happens.
- Session cache
hit → ~13 tokensContent-addressed lookup keyed by path + mtime/hash. Unchanged files collapse to a stub instead of re-sending content.
- AST extraction
26 languagestree-sitter parses the file into a syntax tree: signatures, imports, call edges — Lua, Luau, Kotlin and GDScript are graph-indexed too. Regex fallback for unsupported languages.
- Mode selection
10 modesauto picks the optimal of 10 read modes (full, map, signatures, diff, task, reference, aggressive, entropy, lines:N-M) from task intent and file size; structure_first biases cold medium-file code reads toward map, and a file flagged suspect on a fix task is forced to full.
- Compression
adaptive thresholdsShannon-entropy line filtering, U-curve attention placement (LITM), TF-IDF codebook and query-conditioned Information-Bottleneck fusion — an anti-inflation guard ships the file verbatim whenever framing would cost more tokens than the raw bytes.
- Token accounting
core/tokens.rsExact tiktoken counts (o200k_base; cl100k_base approximation for Claude-family models) on input and output.
- Ledger + stats
savings sign / verify-batchSavings are appended to the local ledger (Ed25519-signable), stats and the gain score update, the result streams back.
lean-ctx -c "cargo test" · IDE bash hook Obie ścieżki kończą się w tym samym rejestrze: każde zdarzenie kompresji jest liczone z dokładną matematyką tokenizatora i trafia do gain, pulpitu oraz księgi zapisanych oszczędności.
Arkusz danych inżynieryjnych
Tabele referencyjne za rysunkami: każda powierzchnia z jej transportem i cyklem życia, układem na dysku, warstwami adaptacyjnego uczenia oraz granicami bezpieczeństwa egzekwowanymi przez środowisko wykonawcze.
AModel procesu
Wszystkie powierzchnie są tym samym binarnym plikiem w różnych rolach. Nic nie wymaga połączenia z chmurą; wszystko wiąże się lokalnie (local-first).
| REF | SURFACE | TRANSPORT | ENDPOINT | LIFECYCLE | KOMENDA |
|---|---|---|---|---|---|
| 01 | MCP server (stdio) | JSON-RPC over stdin/stdout | spawned per editor session | child process of the editor | lean-ctx |
| 02 | MCP server (HTTP) | MCP Streamable HTTP | localhost, configurable --host/--port | foreground or service | lean-ctx serve |
| 03 | IPC daemon | Unix Domain Socket | OS data dir, e.g. ~/Library/Application Support/lean-ctx/daemon.sock | launchd / systemd autostart | lean-ctx serve --daemon |
| 04 | Shell hook | process exec, compressed stdout | wraps IDE bash calls + interactive shells | per command | lean-ctx -c "<cmd>" |
| 05 | API proxy | HTTP (LLM API pass-through) | localhost:4444 (default) | on demand | lean-ctx proxy start |
| 06 | Web dashboard | HTTP + bearer token | localhost:3333 (default, --port) | on demand | lean-ctx dashboard |
| 07 | Terminal UI | TTY (in-place redraw) | live event stream / 1 s refresh | interactive | lean-ctx watch · gain --live |
BUkład pamięci — lokalne katalogi XDG
Stan trwały to zwykłe pliki w podstawowych katalogach XDG: inspekcyjne, eksportowalne, usuwalne. Żadnych ukrytych baz danych poza tymi lokalnymi folderami.
| ARTEFAKT | FORM | CEL |
|---|---|---|
config.toml | TOML | Single config file — integration mode, compression, providers, opt-outs (config dir) |
cache/ | content-addressed | Session file cache; unchanged re-reads collapse to ~13-token stubs (cache dir) |
bm25 index | inverted index | Lexical search over code chunks + provider documents (data dir) |
context_graph/ | property graph | Imports, calls, types across files and repos — powers map mode + deep queries (data dir) |
knowledge | SQLite | Persistent facts, decisions, rooms — recalled across sessions, CCP (data dir) |
savings ledger | append-only JSONL | Every compression event; Ed25519-signable for audit (data dir) |
litm_calibration.json | JSON | Learned context-position hit rates (lost-in-the-middle calibration) (cache dir) |
events.jsonl | event stream | Live feed consumed by watch, dashboard and efficacy reports (state dir) |
CWarstwy adaptacyjnego uczenia
Siedem mechanizmów online-learning dostosowuje kompresję do Twojego rzeczywistego użycia, lokalnie, na podstawie sygnałów jakościowych, takich jak odbicia i niepowodzenia edycji. Szczegółowe informacje: Adaptive Learning →
- L1 Adaptive thresholds Online-learned compression aggressiveness from quality signals (bounces, edit failures, clean runs)
- L2 LITM calibration Empirical placement of critical context at positions the model actually attends to
- L3 Stigmergic scent field Multi-agent coordination via decaying markers: claimed, done, stuck, hot, avoid
- L4 Delta playbook Incremental checkpoint snapshots that survive context compaction
- L5 Query-conditioned IB Information-Bottleneck compression fused with query relevance
- L6 Theta-gamma chunking Wakeup facts grouped in attention-friendly bursts
- L7 Semantic dedup Likelihood-scored redundancy filtering across the session
DGranice bezpieczeństwa
Twarde gwarancje egzekwowane w czasie wykonania (runtime). Model bezpieczeństwa →
- PathJail Every file access is canonicalised and confined to the workspace root
- IDE config-dir jail Home-level IDE/agent config dirs (~/.claude, ~/.codex, ~/.codebuddy, …) are writable only when allow_ide_config_dirs is opted in; otherwise PathJail blocks them
- Shell allowlist Deny-by-default command policy for agent-issued shell executions
- Local-first All processing on-device; dashboard binds to localhost and requires a bearer token
- Signed evidence Savings ledger entries are Ed25519-signable and batch-verifiable
Jeden binarny plik. Trzy sposoby wejścia.
LeanCTX automatycznie wybiera optymalny tryb integracji dla każdego agenta: CLI-Redirect napędza CLI LeanCTX poprzez reguły edytora z zerowym narzutem MCP, Hybrid łączy odczyty buforowane przez MCP ze hookami kompresji powłoki (shell), a Full MCP zapewnia maksymalny dostęp do narzędzi dla edytorów opartych wyłącznie na protokole.
lean-ctx -c / read / grep MCP cache + CLI shell/search 81 tools via MCP + lazy tool set W każdym przypadku LeanCTX automatycznie wybiera odpowiedni tryb dla Twojego edytora. Zobacz wszystkie ponad 30 obsługiwanych narzędzi
Zawsze aktywny. Zawsze Twój.
Mała usługa działająca w tle utrzymuje Twoją sesję w gotowości, dzięki czemu trafienia do pamięci podręcznej są natychmiastowe, a pamięć zawsze dostępna. Rozpoczyna się automatycznie podczas konfiguracji, restartuje się po aktualizacji i sprząta za sobą – nic nie wymaga zarządzania.
Każda zdolność, jeden binarny plik.
Wszystko między Twoim kodem a AI – załatwione.
Smart I/O
Deterministyczne odczyty, kompresja shella, wyszukiwanie, pełna widoczność kontekstu + 99% mniej tokenów
Kompresja żądań
Opcjonalny lokalny proxy kompresuje każdy żądanie do modelu — system prompt, historię i wyniki narzędzi — bezpieczny przed prompt-cache.
Intelligence
Routowanie intencji, wybór trybu, adaptacyjny potok
Memory
Sesje, wiedza o projekcie, grafy, przekazywanie zadań
Governance
Role, budżety, SLO, bramki przepływu pracy, polityki
Verification
Formalne dowody Lean4, weryfikacja oparta na twierdzeniach, Poziomy Jakości 0-4
Integrations
MCP, HTTP, SDK, 29+ IDE-ów, Chmura, Serwer Zespołu
Shared Sessions
Udostępnianie sesji w przestrzeni roboczej i kanałach między agentami
Context Bus
Strumień zdarzeń w czasie rzeczywistym dla zmian kontekstu za pomocą SSE
SDK & API
TypeScript SDK i REST API do zewnętrznych integracji
Każde wyjście niesie dowód
LeanCTX generuje artefakty dowodowe dla każdej sesji: które pliki zostały odczytane, co zostało skompresowane, które sprawdzenia przeszły i ile tokenów zostało zużytych. Dzięki temu praca AI jest audytowalna, powtarzalna i godna zaufania.
LeanCTX (skrót od Lean Context) to open-source context engineering layer dla agentów AI. Jeden lokalny binarny plik Rust decyduje, co czytają agenci (10 trybów odczytu, 60–90% mniej tokenów, ~13-tokenowe ponowne odczyty z cache), pamięta, czego się nauczyli (trwałe sesje, graf wiedzy), chroni to, do czego mają dostęp (PathJail, redakcja sekretów, budżety, wykrywanie iniekcji), udowadnia, co zapisują (dziennik podpisany Ed25519, powtarzalny benchmark) i odtwarza to, co widzieli (git-anchored, podpisane kontekstowe migawki, które można przywrócić lub udostępnić); opcjonalny lokalny proxy kompresuje to, co wysyłają — systemowy prompt każdego żądania, historię i wynik narzędzia, bezpieczny dla cache promptów na linii. Kompresja — po stronie odczytu i po stronie linii — jest jednym z pięciu podsystemów, a każdy oryginalny pozostaje lokalnie dostępny. Działa z ponad 30 narzędziami do kodowania AI za pomocą MCP i hooków shell; osadza się w każdym agencie poprzez wersjonowany API /v1 z SDK dla Pythona, TypeScript i Rust. Lokalne użycie jest darmowe na zawsze, egzekwowane przez CI.
Przeczytaj pełną historięOdzyskaj kontrolę nad swoim kontekstem.
Jeden lokalny binarny plik po obu stronach modelu. LeanCTX postrzega, kompresuje, pamięta, kieruje i zarządza całym cyklem życia kontekstu AI – od czytania plików do zweryfikowanych wyników.