╭──────────────────────────────────────────╮ ╭──────────────────────────────────────────╮ │ >>>>>>>>>>>>>>> ctx_read >>>>>>>>>>>> │ │ >>>>>>>>>>>>>>> ctx_read >>>>>>>>>>>> │ ┌─────────────┐ │ >>>>>>>>>>>>>>> compress >>>>>>>>>>>> │ ┌──────────┐ ┌─────────────┐ │ >>>>>>>>>>>>>>> compress >>>>>>>>>>>> │ ┌──────────┐ │ 100K tokens │ =========>│ >>> AST >>> cache >>> signal >>> │ =========> │ ~5K tok │ │ 100K tokens │ =========>│ >>> AST >>> cache >>> signal >>> │ =========> │ ~5K tok │ └─────────────┘ │ >>>>>>>>>>>>>>> filter >>>>>>>>>>>> │ └──────────┘ └─────────────┘ │ >>>>>>>>>>>>>>> filter >>>>>>>>>>>> │ └──────────┘ │ >>>>>>>>>>>>>>> dedupe >>>>>>>>>>>> │ │ >>>>>>>>>>>>>>> dedupe >>>>>>>>>>>> │ ╔══════════════╗ ╰──────────────────────────────────────────╯ ╔══════════╗ ╔══════════════╗ ╰──────────────────────────────────────────╯ ╔══════════╗ ║ raw input ║ ─ ─ ─ ─ ─ ─ ─ ─ LeanCTX ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ║ output ║ ║ raw input ║ ─ ─ ─ ─ ─ ─ ─ ─ LeanCTX ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ║ output ║ ╚══════════════╝ ╚══════════╝ ╚══════════════╝ ╚══════════╝ ┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄ ┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ │░░│ │░░│ │░░│ │░░│ │▓▓│ │▓▓│ │▓▓│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │▓▓│ │▓▓│ │▓▓│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ ───> │▓▓│ │▓▓│ │▓▓│ ───> │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ ───> │▓▓│ │▓▓│ │▓▓│ ───> │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ file file file file read cache send tok tok tok tok tok tok file file file file read cache send tok tok tok tok tok tok ╭──────────────────────────────────────────╮ ╭──────────────────────────────────────────╮ │ >>>>>>>>>>>>>>> ctx_read >>>>>>>>>>>> │ │ >>>>>>>>>>>>>>> ctx_read >>>>>>>>>>>> │ ┌─────────────┐ │ >>>>>>>>>>>>>>> compress >>>>>>>>>>>> │ ┌──────────┐ ┌─────────────┐ │ >>>>>>>>>>>>>>> compress >>>>>>>>>>>> │ ┌──────────┐ │ 100K tokens │ =========>│ >>> AST >>> cache >>> signal >>> │ =========> │ ~5K tok │ │ 100K tokens │ =========>│ >>> AST >>> cache >>> signal >>> │ =========> │ ~5K tok │ └─────────────┘ │ >>>>>>>>>>>>>>> filter >>>>>>>>>>>> │ └──────────┘ └─────────────┘ │ >>>>>>>>>>>>>>> filter >>>>>>>>>>>> │ └──────────┘ │ >>>>>>>>>>>>>>> dedupe >>>>>>>>>>>> │ │ >>>>>>>>>>>>>>> dedupe >>>>>>>>>>>> │ ╔══════════════╗ ╰──────────────────────────────────────────╯ ╔══════════╗ ╔══════════════╗ ╰──────────────────────────────────────────╯ ╔══════════╗ ║ raw input ║ ─ ─ ─ ─ ─ ─ ─ ─ LeanCTX ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ║ output ║ ║ raw input ║ ─ ─ ─ ─ ─ ─ ─ ─ LeanCTX ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ║ output ║ ╚══════════════╝ ╚══════════╝ ╚══════════════╝ ╚══════════╝ ┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄ ┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ │░░│ │░░│ │░░│ │░░│ │▓▓│ │▓▓│ │▓▓│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │▓▓│ │▓▓│ │▓▓│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ ───> │▓▓│ │▓▓│ │▓▓│ ───> │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ ───> │▓▓│ │▓▓│ │▓▓│ ───> │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ file file file file read cache send tok tok tok tok tok tok file file file file read cache send tok tok tok tok tok tok

Benchmark

Güvenmeyin.
Doğrulayın.

Herhangi bir projede lean-ctx benchmark run çalıştırın. Gerçek belirteç sayıları. Gerçek doğruluk metrikleri. tiktoken (o200k_base) ile ölçülmüştür.

Başlayın GitHub'da Yıldızla

Nasıl dürüst kaldığı

Ölçülmüş. Doğrulanmış.

Benchmark yerel olarak çalışır, tam tokenizer ile token sayar ve kalite seviyesinin altına düşen sıkıştırmaları reddeder.

Tam token sayısı

Modern LLM'ler tarafından kullanılan aynı tokenizer ile sayım yapar - tahmin yok, varsayım yok.

tiktoken o200k_base

Kalite koruması

AST korumasını, tanımlayıcıları ve satır yapısını puanlar. Başarısız çıktılar otomatik olarak engellenir.

eşik: Q ≥ %95 · ρ ≥ 15%

Tekrarlanabilir

Deponuzda çalışır. Aynı girdiler → aynı sayılar. CI ve regresyonlar için harika.

çevrimdışı · deterministik

Farkı görün

Önce & Sonra

Aynı dosya. Aynı bilgi. Dramatik şekilde daha az token.

LeanCTX olmadan

// src/auth.ts · mode=full

import { jwt, verify, sign } from 'jsonwebtoken';

import { bcrypt } from 'bcryptjs';

…

3,517 tokens

LeanCTX ile (map modu)

// src/auth.ts · mode=map

exports: AuthService, validateToken, …

deps: jsonwebtoken, bcryptjs, ioredis

…

412 tokens

%88 daha az token

Doğrulanmış tasarrufa üç adım

İşaretle. Ölç. Doğrula.

Herhangi bir dosyaya veya dizine işaret et

Tek bir dosya, bir dizin veya bir glob deseni verin. Benchmark motoru bulduğu her şeyi işler.

lean-ctx benchmark run src/

Kesin token ölçümü

o200k_base kodlamasıyla tiktoken kullanır (GPT-4o, Claude ve modern LLM'lerle aynı). Tahmin yok - gerçek token sayıları.

tiktoken o200k_base

Mod başına tasarruf

Her sıkıştırma modu için doğruluk puanları ve tasarruf yüzdeleri alın. Her kullanım durumu için doğru modu seçin.

modes: 10

Gerçek çıktı

Benchmark aksiyonda

Projenizdeki herhangi bir dosyada kıyaslamayı çalıştırın. Çıktı, her sıkıştırma modu için kesin belirteç sayılarını, tasarruf yüzdesini ve kalite koruma puanlarını gösterir.

Dosya bazında döküm - her moddan önce ve sonra belirteçler

Kalite puanları - AST, tanımlayıcılar ve kod satırları korunur

Birleştirilmiş toplamlar - en iyi mod önerisiyle dizin genelinde tasarruf

lean-ctx benchmark run

$ lean-ctx benchmark run src/auth.ts

◆ lean-ctx Benchmark

────────────────────────────────────────

src/auth.ts (123 lines, 3,517 tokens)

────────────────────────────────────────

Mode Tokens Saved Rate

full 3,517 0 0%

map 412 3,105 88%

signatures 252 3,265 93%

diff 187 3,330 95%

aggressive 298 3,219 92%

entropy 312 3,205 91%

────────────────────────────────────────

Quality: AST 98% | Idents 97% | Lines 96%

Encoding: tiktoken o200k_base | Time: 12ms

Her görev için doğru modu seçin

Okuma Modları Karşılaştırıldı

full 0%

Düzenleyeceğiniz dosyalar

Her şey - yeniden okumalar için tam içerik ~13 jeton önbelleğe alınır

map 70-90%

Sadece bağlam dosyaları

Kod: deps + exports + imzalar. Kod dışı: yapılandırılmış taslaklar (Markdown başlıkları, JSON/YAML/TOML anahtarları, kilit özetleri)

signatures 55–93%

API yüzeyi keşfi

Yalnızca fonksiyon/sınıf/tip imzaları

diff 80–95%

Düzenlemelerden sonra

Minimum çevre bağlamıyla değiştirilen satırlar

aggressive 75–90%

Büyük kalıp (boilerplate) dosyaları

Yapı ve mantık, sözdizimi kaldırılmış

entropy 70–83%

Gürültülü dosyalar (JSDoc, yorumlar)

Yüksek entropili satırlar yalnızca (Shannon + Jaccard filtrelemesi)

task 65–85%

Göreve odaklanmış okumalar (örneğin, 'auth hatasını düzelt')

Görevle ilgili kod + Bilgi Grafiği aracılığıyla bağımlılık bağlamı + IB filtresi

auto 70–99%

Varsayılan - LeanCTX en iyi modu otomatik olarak seçer

Dosyaya göre uyarlanır: tür, boyut kovası, güncellik, görev uygunluğu

reference 80–95%

API belgeleri ve referans araması

Public API, tipler, imzalar, docstringler

lines:N-M 90–99%

Belirli bir satır aralığını okuma - cerrahi hassasiyet

İstenen tam satırlar, artı minimum çevre bağlamı

LeanCTX'in ctx_smart_read, dosya türüne, boyutuna ve bağlama dayalı Bayesyen tahmin kullanarak optimal modu otomatik olarak seçer.

Aşama

Gelişmiş Sıkıştırma Hattı

Mod seçimin ötesinde, LeanCTX dosya türüne, oturum bağlamına ve görev amacına uyum sağlayan çok aşamalı bir optimizasyon hattı uygular:

Thompson Sampling 5–15%

Çok kollu bandit keşfi kullanarak (keşfet vs sömür) dosya türü başına optimal sıkıştırma eşiklerini öğrenir

AST Pruning 40–70%

Tree-sitter aracılığıyla dil farkındalıklı budama - API imzalarını korurken fonksiyon gövdelerini, yorumları ve standart kod parçacıklarını kaldırır

IDF Dedup 10–30%

Ters belge sıklığı kullanarak çapraz dosya yinelenmesini ortadan kaldırır - oturumda zaten görülen içeriği elimine eder

IB Filter 15–25%

Bilgi Boğazı ilkesini kullanarak görev farkındalıklı filtreleme - yalnızca mevcut görevle ilgili içeriği tutar

Verbatim Compaction 5–20%

Tekrarlayan yapıları (import'lar, log satırları, standart kod parçacıkları) sayılmış özetlere dönüştürür

Bu aşamalar birikimlidir - sırayla uygulanarak 1000 satırlık bir dosyayı tüm görevle ilgili bilgileri koruyarak 50 tokenin altına düşürebilir. Hat tamamen otomatik ve herhangi bir yapılandırma gerektirmez.

Doğrulanmış koruma

Sıkıştırma Kalite

Kalite eşiği (bileşik)

95%

Sıkıştırılmış çıktı yalnızca bileşik kalite puanı %95 veya üzerinde kaldığında kullanılır.

Minimum yoğunluk

15%

Minimum bir sinyal yoğunluğu (%15, ρ) ile düşük bilgi çıkışlarını engeller.

Ağırlıklandırma

50/30/20

Bileşik = AST %50 + tanımlayıcılar %30 + satırlar %20 - bu yüzden yapı en önemli şey.

Bilgi yoğunluğu prensibi

Daha Az Token = Neden Daha Yüksek Sinyal Yoğunluğu

LLM'ler sabit bir dikkat bütçesine sahiptir. Bağlam penceresindeki her token, dikkat ağırlıkları için yarışır. Pencereyi standart kodlarla doldurmak, önemli olan koda daha az dikkat anlamına gelir.

Gürültüyü modele ulaşmadan önce kaldırarak LeanCTX, her isteğin bilgi yoğunluğunu artırır. Sonuç: daha yüksek sinyal-gürültü oranı, daha az bağlam seyreltilmesi ve modelin kullanışlı bağlam limitleri içinde kalması.

Daha yüksek sinyal-gürültü oranı

Odaklanmış 10K jetonluk bağlam, 200K kalıp koddan daha iyidir. Model, dikkatini JSDoc yorumları ve import kalıp kodu yerine mantığa harcar.

Azaltılmış bağlam gürültüsü

Bağlam gürültüsü modelin dikkat penceresini sulandırır. Bunu kaldırmak, modelin gerçek kod yapısına odaklanmasına yardımcı olur ve halüsinasyon olasılığını azaltır.

Yanıt başına daha düşük maliyet

Daha az girdi belirteci, daha düşük API maliyeti ve hız limitiniz dahilinde daha fazla mesaj anlamına gelir. Aynı kota, kullandığınız her yapay zeka aracı için daha uzağa gider.

Gerçek dünya örnekleri

Şu üzerinde ölçüldü Gerçek Kod

Temsili anlık görüntüler - rakamlarınız dosya ve kod tabanına göre değişecektir.

React Bileşeni 88%

450 satır - harita modu

12,840 → 1,541

Rust Modülü 93%

820 satır - imza modu

18,290 → 1,280

Express API 91%

1,200 satır - agresif mod

31,500 → 2,835

Python ML Pipeline 83%

680 satır - entropi modu

15,400 → 2,618

TypeScript Yapılandırması 95%

340 satır - diff modu

8,750 → 437

Şeffaflık

Benchmark
Metodoloji

Bu sayfadaki her sayı tekrarlanabilirdir. Nasıl ölçtüğümüz tam olarak burada anlatılıyor.

Tokenizer

Tüm token sayıları, GPT-4o, Claude ve modern LLM'ler tarafından kullanılan aynı tokenizer olan tiktoken ile o200k_base kodlamasını kullanır. Tahmin veya yaklaşıklık yok.

Kalite Eşiği

Sıkıştırılmış çıktı, bileşik kalite puanı %95'te veya üzerinde kaldığı takdirde kullanılır. Bileşik = AST koruması (50%) + tanımlayıcı koruması (30%) + satır kapsamı (20%).

Yerel Olarak Tekrarla

Kendi kod tabanınızda lean-ctx benchmark run src/ çalıştırın. Çıktı, her sıkıştırma modu için kesin token sayılarını, tasarruf yüzdesini ve kalite koruma puanlarını gösterir.

Yasal Uyarı

Sonuçlar dosya türüne, boyutuna, diline ve okuma moduna göre değişir. "60-99%" aralığı gerçek dünya varyasyonunu yansıtır: küçük yapılandırılmış dosyalar daha fazla sıkıştırır, büyük yapılandırılmamış dosyalar daha az sıkıştırır. Önbelleğe alınmış yeniden okumalar (~13 token) en iyi senaryoyu temsil eder.

Our Own Overhead, Measured

Savings claims must be net of what LeanCTX itself injects. The fixed per-session footprint (advertised tool schemas + MCP instructions) is ~2.1K tokens, measured in an isolated environment with lean-ctx doctor overhead and enforced in CI via --gate — it can only shrink. lean-ctx gain reports savings net of this overhead.

Deterministic Self-Verify

lean-ctx benchmark dual-arm --json replays a pinned 15-turn agent session through a stateless arm and the long-lived proxy rail, prices both with real tokenizer counts and published per-model rates, and fingerprints the run with a BLAKE3 digest — anyone can reproduce the exact figures, no live model needed.

Ölçün gerçek tasarrufunuzu.

LeanCTX'ı kurun ve kod tabanınızda benchmark run çalıştırın. Gerçek sayılar, dosyalarınız, tasarrufunuz.

lean-ctx benchmark run src/

Herhangi bir kod tabanında çalışır. Yapılandırmaya gerek yok. Sonuçlar saniyeler içinde.

Başlayın GitHub'da Yıldızla

Güvenmeyin.Doğrulayın.

Ölçülmüş. Doğrulanmış.

Tam token sayısı

Kalite koruması

Tekrarlanabilir

Önce & Sonra

İşaretle. Ölç. Doğrula.

Herhangi bir dosyaya veya dizine işaret et

Kesin token ölçümü

Mod başına tasarruf

Benchmark aksiyonda

Okuma Modları Karşılaştırıldı

Gelişmiş Sıkıştırma Hattı

Sıkıştırma Kalite

Daha Az Token = Neden Daha Yüksek Sinyal Yoğunluğu

Şu üzerinde ölçüldü Gerçek Kod

BenchmarkMetodoloji

Tokenizer

Kalite Eşiği

Yerel Olarak Tekrarla

Yasal Uyarı

Our Own Overhead, Measured

Deterministic Self-Verify

Ölçün gerçek tasarrufunuzu.

Güvenmeyin.
Doğrulayın.

Benchmark
Metodoloji