Headroom（chopratejas/headroom）是一层放在 AI 代理与 LLM 之间的「上下文压缩层」：把代理读到的工具输出、日志、RAG chunk、文件与对话历史先压缩，再送到模型，号称在保持答案的前提下减少 60–95% token。提供四种形态——Python/TypeScript 库（`compress(messages)`）、零改造代理（`headroom proxy --port 8787`）、一键包装常见代理（`headroom wrap claude|codex|cursor|aider|copilot`）以及 MCP server（`headroom_compress` 等工具）。内含 6 种压缩算法、可逆、local-first，并发布了 Kompress-base 模型在 HuggingFace。Apache-2.0 许可，约 10,072 stars，主语言 Python，文档站 headroom-docs.vercel.app。
来源：README.md（标题、What it does、徽章）；GitHub 仓库元数据（stars=10072、language=Python、license=Apache-2.0、topics compression/context-engineering） 查看 GitHub 仓库 → 📘 使用教程 →AI 代理在大上下文/工具循环里经常被 token 体量拖垮——既贵又慢，还把窗口挤爆。Headroom 直接攻这个痛点：可逆压缩、库/proxy/MCP/agent wrap 四种接入方式都很短平快，号称 60–95% token 节省，且 local-first 不外发数据，配合 PyPI（headroom-ai）与 npm（headroom-ai）双发布以及 Claude Code/Codex/Cursor/Aider/Copilot 等主流代理兼容，落地阻力小，因而 star 涨得快。需说明：节省比例为项目自述基准、随内容与算法而异，可逆与召回质量需结合场景实测。截至数据采集约 10,072 stars。
来源：README.md（介绍、What it does、徽章）；GitHub 仓库元数据（stars=10072、pushed_at 2026-06）6 种算法对工具输出/日志/RAG/文件/对话历史做压缩，可逆，自述节省 60–95% token。
来源：README.md（标题副标题、What it does）库（Python/TS）、本地 proxy（8787）、`wrap` 包装常见代理 CLI、MCP server。
来源：README.md（What it does 的 Library/Proxy/Agent wrap/MCP）支持 Claude Code、Codex、Cursor、Aider、Copilot 等代理 CLI 与 MCP 客户端。
来源：README.md（Agent compatibility matrix、wrap 命令）本地运行不外发；支持跨代理共享压缩后的上下文/记忆。
来源：README.md（标题副标题、Cross-agent memory）Headroom 用 Python 实现核心库与 proxy，也提供 TypeScript 库（npm headroom-ai）。压缩链路含 6 种算法（README 进一步在文档中展开），针对工具输出、日志、RAG chunk、文件、对话历史等不同内容；并支持「跨代理记忆」。接入方式：① 库 `compress(messages)` 直接嵌进任意应用；② proxy 在本地 8787 端口转发，业务零代码改造；③ `headroom wrap` 把命令行代理（claude/codex/cursor/aider/copilot）包起来；④ MCP server 暴露 `headroom_compress / retrieve / stats` 工具供 MCP 客户端调用。配套 HuggingFace 模型 Kompress-base 用于学习压缩。强调 local-first 与可逆性。
来源：README.md（What it does、徽章 PyPI/npm/HF、Discord/Docs）；GitHub topics（compression/mcp/proxy）中心为项目本体，内环 = 核心功能模块，外环 = 关键技术依赖；按 deep.json 中的 core_features 与 tech_stack.key_deps 自动生成
MCP（headroom_compress 等工具）Kompress-base 模型（HuggingFace）FastAPI（proxy 服务）适合频繁吃 token 的 AI 代理与 RAG 工作流：把超长工具输出/日志/RAG 召回切到合理体量、压缩长对话历史控制窗口、给跨代理工作流提供统一的压缩 + 记忆层；也适合做 token 成本与延迟优化、私有部署需要不外发数据的场景。节省比例与召回质量随内容/算法而异，正式上线前建议在自有数据上测可逆性与答案一致性。
来源：README.md（标题副标题、What it does、agents 兼容性）本页未列固定版本号；Headroom 通过 PyPI（headroom-ai）与 npm（headroom-ai）持续发布，模型 Kompress-base 在 HuggingFace。仓库最后更新约在 2026 年 6 月初，迭代非常活跃。
来源：README.md（PyPI/npm/HF 徽章）；GitHub pushed_atHeadroom 是放在 AI 代理与 LLM 之间的「上下文压缩层」：可逆压缩工具输出/日志/RAG/文件/对话历史，自述节省 60–95% token，并提供库（Py/TS）、本地 proxy、`wrap` 包代理 CLI 与 MCP server 四种接入，主流代理（Claude Code/Codex/Cursor/Aider/Copilot）兼容、local-first、Apache-2.0、维护活跃，对吃 token 的代理与 RAG 工作流是很对口的优化层。要清楚自述节省为基准、需在自有数据上验证可逆性与答案一致性、引入一层 proxy/wrap 有运维成本。商业引流低：文档/Discord/HF 均为开源常见配置，无付费墙或主推 SaaS。
来源：综合 README.md 的定位、接入方式、能力与项目性质Headroom（chopratejas/headroom）是一层放在 AI 代理与 LLM 之间的「上下文压缩层」：把代理读到的工具输出、日志、RAG chunk、文件与对话历史先压缩，再送到模型，号称在保持答案的前提下减少 60–95% token。
headroom 的核心功能包括：压缩与可逆、四种接入方式、主流代理兼容、Local-first + 跨代理记忆。
AI 代理在大上下文/工具循环里经常被 token 体量拖垮——既贵又慢，还把窗口挤爆。Headroom 直接攻这个痛点：可逆压缩、库/proxy/MCP/agent wrap 四种接入方式都很短平快，号称 60–95% token 节省，且 local-first 不外发数据，配合 PyPI（headroom-ai）与 npm（headroom-ai）双发布以及 Claude…
适合频繁吃 token 的 AI 代理与 RAG 工作流：把超长工具输出/日志/RAG 召回切到合理体量、压缩长对话历史控制窗口、给跨代理工作流提供统一的压缩 + 记忆层；也适合做 token 成本与延迟优化、私有部署需要不外发数据的场景。节省比例与召回质量随内容/算法而异，正式上线前建议在自有数据上测可逆性与答案一致性。