如果把 AI 比作一个吃货，RTK 是"水龙头过滤器"，只过滤终端这一路水；Headroom 是"全屋净水系统"，过滤所有进入 AI 的信息。全屋净水系统前两篇文章我分别写了 Caveman和 RTK，一个管输出端，一个管输入端。如果把 AI 比作一个吃货，它每天要吃大量信息才能干活。你家的水（信息）有几路：终端命令输出一路、文件内容一路、对话历史一路、搜索结果一路……RTK是一个水龙头过滤器，装在终端这一路水管上。它只管这一路水，过滤得又快又干净，但其他几路水它碰不到。Headroom是一个全屋净水系统，装在你家的总进水管上。所有进入 AI 的信息——不管从哪来的——都要经过它过滤一遍。覆盖面更广，但处理速度比 RTK 慢一些。Headroom做的事情更大：它不只管终端输出，而是管所有喂给 AI 的输入——对话历史、文件内容、RAG 检索结果、JSON 结构、函数调用返回值等所有上下文信息，全部经过它的压缩管线。Headroom：专门给AI上下文瘦身的工具Headroom，GitHub上42.5K Star，用Python和Rust写的，Apache 2.0完全开源。平时让AI干活，AI要"读"很多东西——工具返回的结果、命令行输出、代码搜索结果、文件内容、对话历史。这些东西全部要塞进AI的上下文里，每个字都是token，每个token都是钱。Headroom 做的事情就一件：在AI读这些内容之前，先拦下来压一遍。该删的删、该精简的精简、该保留的保留。AI拿到的是压缩后的精华版，但该回答的问题一个不少，废话全砍了。官方测试数据场景原始Token压缩后节省代码搜索(100条)17,7651,40892%SRE排障65,6945,11892%GitHub Issue分类54,17414,76173%代码库浏览78,50241,25447%JSON工具输出~8,000~1,20085%文本/日志~10,000~1,20088%准确率方面：数学题零掉分，事实问答反而涨了3个百分点，工具调用保持97%。不是砍信息，是砍噪音，关键是回答质量没掉。它是怎么做到的？很多压缩工具都是一刀切——不管内容是什么，统一截断或统一摘要。Headroom不这么干。它先做内容路由，自动判断这段内容是JSON、代码、日志还是自然语言，然后挑最合适的算法去压。① SmartCrusher：专治JSON工具返回的JSON，50条记录，每条都有"name"“email”“role”"status"这些重复的key。SmartCrusher检测到数组结构后，把key提出来当表头，值按行排——类似把JSON变成更紧凑的结构。官方数据：70-90%节省。② CodeCompressor：代码感知压缩基于tree-sitter做AST解析，识别代码结构后，保留函数签名、类定义、import和类型信息，砍掉函数体里的具体实现。模型做代码搜索