Token-Diet 是一个始终开启的 Token 效率优化脚本，专为 Claude Code、Codex、Cursor 等 AI 编码代理设计，平均降低 31% 的 Token 消耗而不损失正确性。

一、痛点：AI 编码代理的“隐形账单”

在 2025 年，使用 Claude Code、Codex、Cursor、Windsurf、Cline 等 AI 编码代理已经成为开发者的日常。这些工具通过持续对话、文件上下文注入、代码生成与修改来辅助开发，但背后隐藏着一个巨大的成本问题：Token 消耗。

每个请求的 Prompt 中包含了系统提示、历史对话、当前文件内容、项目结构等信息。随着会话时间增长，上下文窗口被不断填充，每次交互的 Token 开销呈指数级增长。对于重度使用者（如每天数百次调用），一个月下来 API 账单可能高达数百甚至上千美元。

更糟糕的是，大部分 Token 消耗在了“冗余上下文”上——比如重复的项目文件摘要、未使用的工具定义、格式化的 Markdown 装饰等。这些内容对模型理解问题没有帮助，却实实在在地增加了成本。

二、Token-Diet 是什么？

Token-Diet 是一个 Shell 脚本工具集，本质上是 AI 编码代理的“中间件”。它通过修改系统提示（System Prompt）和工具调用方式，让 AI 模型在生成回复时使用更少的 Token 表达同样的意图。

项目核心文件 token-diet.sh 在对话开始前注入一段精心设计的指令，要求模型：

• 省略不必要的 Markdown 格式（如代码块外的空行、标题的冗余前缀）
• 使用更紧凑的 JSON 格式表示文件修改
• 避免重复已存在的上下文信息
• 压缩工具调用参数

这些优化策略对模型最终输出的正确性没有影响，但能显著减少每次交互的 Token 数量。

三、快速安装与使用

安装

Token-Diet 的安装极其简单，只需一行命令：

bash
curl -sSL https://raw.githubusercontent.com/Kulaxyz/token-diet/main/install.sh | bash

或者手动克隆仓库：

bash
git clone https://github.com/Kulaxyz/token-diet.git
cd token-diet

集成到 Claude Code

bash

在启动 Claude Code 时加载 Token-Diet

claude code --preload ./token-diet.sh

集成到 Cursor

在 Cursor 的 settings.json 中添加：

{
"ai.preloadScript": "/path/to/token-diet.sh"
}

集成到 Codex CLI

bash
codex --init-script /path/to/token-diet.sh

验证效果

运行自带的基准测试：

bash
cd token-diet
./benchmark.sh

你会看到类似输出：

Baseline: 1000 tokens per request
With Token-Diet: 690 tokens per request
Reduction: 31%
Correctness: 100% (all tests passed)

四、核心亮点深度解析

1. 智能上下文压缩

传统 AI 编码代理会在每次请求时携带完整的项目结构描述，即使模型已经知道。Token-Diet 通过系统指令告诉模型：“如果上下文没有变化，只需回复‘无变化’而非重复整个描述。”

2. 紧凑文件编辑格式

普通模式下的文件编辑请求：

请修改 src/main.py 的第 42 行，将 old_function() 改为 new_function()。
修改后的文件内容如下：
...（完整文件内容）...

Token-Diet 模式：

@edit src/main.py:42
old_function() -> new_function()

后者减少了约 80% 的 Token 用于表达同样的修改意图。

3. 工具调用去冗余

很多编码代理使用 JSON 格式调用工具（如文件读取、代码搜索）。Token-Diet 会压缩这些 JSON 中的字段名，例如将 {"action": "read", "path": "/src/utils.py"} 压缩为 {a:r,p:/src/utils.py}，减少键名带来的 Token 开销。

4. 无损正确性保证

这是 Token-Diet 最值得称道的地方。通过大量基准测试证明，压缩后的指令不会导致模型误解或错误执行。项目团队使用 500+ 个编程任务进行回归测试，正确率与未压缩版本完全一致。

五、适用场景

场景	推荐度	说明
高频使用 Claude Code/Codex 的团队	⭐⭐⭐⭐⭐	每月可节省 30%+ API 费用
长会话（超过 50 轮对话）	⭐⭐⭐⭐⭐	上下文越长，节省效果越显著
大型项目（10 万+ 行代码）	⭐⭐⭐⭐	减少项目上下文注入的开销
CI/CD 自动化代码审查	⭐⭐⭐⭐	批量处理时成本优化明显
个人开发者偶尔使用	⭐⭐⭐	节省绝对值较小，但值得一试

六、与同类项目对比

特性	Token-Diet	PromptCompressor (LangChain)	TokenSaver (社区)
安装复杂度	极低（单文件）	需安装 Python 包	中等（需配置）
兼容性	Claude Code, Codex, Cursor, Windsurf, Cline	LangChain 生态	仅 VSCode 扩展
压缩策略	系统提示 + 工具调用	Prompt 文本压缩	上下文窗口管理
正确性损失	0%	<2%	<5%
平均节省	31%	20%	15%
维护活跃度	活跃（2025 年更新）	一般	已归档

Token-Diet 的核心优势在于：零依赖、零学习成本、即插即用。它不需要修改代码或安装新的库，只需在启动 AI 代理时加载一个脚本。

七、技术细节与原理

Token-Diet 的 token-diet.sh 文件本质上是一个精心构造的系统提示片段。它利用了 LLM 的指令遵循能力，通过以下机制工作：

1. 格式指令：告诉模型使用更紧凑的 Markdown 变体，例如用 - 代替 * 作为列表符号，减少空格和换行。
2. 默认省略：指示模型在无新信息时不重复已提供的上下文。
3. 缩写约定：定义了一套工具名称和参数的缩写映射。
4. 响应模板：提供最小 Token 的回复模板，让模型“填空”而非自由生成。

这些指令被设计为可叠加——模型可以理解并遵循这些规则，同时保持逻辑推理能力不受影响。

八、潜在局限与注意事项

• 模型依赖性：对于较弱的小模型（如 7B 参数以下），压缩指令可能被忽略或误解，导致输出格式异常。
• 调试困难：压缩后的输出可读性降低，若模型出错，排查问题会更困难。
• 不是万能药：Token 节省主要来自输出端，对于输入端的巨大上下文（如大型代码库）效果有限。
• 更新风险：如果上游 AI 代理更新了系统提示处理逻辑，Token-Diet 可能需要适配。

九、总结与评价

Token-Diet 是一个小而美的工具。它解决了一个非常具体但成本高昂的问题——AI 编码代理的 Token 浪费。31% 的平均节省意味着对于月消费 1000 美元的团队，每年可以省下 3720 美元，而且完全不影响代码质量。

如果你是重度 AI 编码代理用户，尤其是团队负责人或预算管理者，Token-Diet 值得立即试用。它没有副作用，安装只需 10 秒，效果立竿见影。

评分：

• 实用性：★★★★★
• 创新性：★★★★☆
• 易用性：★★★★★
• 文档质量：★★★★☆
• 社区活跃度：★★★☆☆（新项目，尚在早期）

---

项目链接：https://github.com/Kulaxyz/token-diet