你的代理全天都在重新阅读相同的文件
每个提示都会重新输入相同的模块。原始读取会倾泻出 4,200 个 tokens，而其中只有约 920 个携带信号。明天它还会再次读取它们。
Same engine. Different workflow. Always the right context.
它让您损失了什么 今天。
Shell 输出淹没窗口
一次 cargo 构建或 npm install 可能会因为进度条和警告而消耗数千个 tokens，而这些对你的模型来说根本是不必要的。
上下文窗口已满，准确性下降
Context-rot 研究表明，随着窗口充满噪声，模型的准确率会从 98% 下降到 64%。更多的上下文不等于更好的上下文。
具备能力的那些 完成工作。
下方所有功能都已在开源二进制文件中交付。没有路线图项目，没有等待列表。
您的工具→LeanCTX→模型
10 种读取模式
map、signatures、diff、entropy 等。通过 tree-sitter 实现 AST 感知，支持 26 种语言
会话缓存
缓存重读仅消耗约 ~13 个 tokens，而不是整个文件
95+ shell 模式
cargo、npm、docker、tsc、pytest… 压缩为错误 + 结果
30+ AI 工具
Cursor、Claude Code、Codex、Copilot、Windsurf、Cline。只需一个设置命令
lean-ctx gain
显示你保存了什么，从你的签名本地账本开始
从零开始到 第一个收益。
terminal
# 安装
$ curl -fsSL https://leanctx.com/install.sh | sh# 自动检测并配置所有已安装的 AI 工具
$ lean-ctx setup# 验证集成
$ lean-ctx doctor# 工作一天后：查看你保存了什么
$ lean-ctx gain一本指南，两条路径。 完整参考。
团队在采用前提出的问题。
根据真实仓库操作测量：每次读取的 token 减少了 60–90%，缓存重读约为 13 个 token，shell 输出可达 88–99%。运行 lean-ctx benchmark report . 可在您自己的仓库上复现这些数据。
不会。设置了 lean-ctx 后，您的 AI 工具会自动通过 MCP 或 shell hooks 调用 LeanCTX。您保留您的编辑器、您的 agent 和您的工作流程。上下文层在底层工作。
不会，永远不会丢失任何信息。AST 感知的模式保留了签名和结构，并且所有原始数据都可以通过 ctx_retrieve 局部检索。通常情况下，更小的上下文能提高答案质量：context-rot 研究表明，随着窗口被噪声填满，准确性会下降。