mksglu：AI Coding Agent的上下文减负工具实测

dev.to · AI#AI编程#Cursor#上下文优化

Editor brief · 编辑速览

mksglu通过sandbox压缩工具输出（约98%目标压缩率）并持久化session memory，支持MCP+hooks路由17个平台。对使用Cursor、Cline、Roo Code的程序员，直接减少token浪费和重复日志读取。

文章思维导图

Knowledge map

拖拽缩放

Full translation

完整中文译文

mksglu 最近一天新增 +26 stars，核心原因很明确：它不是又一个聊天 UI，而是专门优化 AI coding agent 的上下文窗口。

项目通过 sandbox 处理工具输出，目标是将无关内容压缩约 98%；同时持久化 session memory，并通过 MCP + hooks 强制把请求路由到 17 个平台。对经常使用 Cursor、Cline、Roo Code 或自建 agent 的开发者来说，这能减少重复读取日志、目录树和测试输出带来的 token 浪费。

一个标准 OpenAI-compatible 配置示例：

export OPENAI_BASE_URL="https://b-lost.com/v1"
export OPENAI_API_KEY="$B_LOST_API_KEY"
export OPENAI_MODEL="claude-fable-5"

在 agent 的 MCP/hook 配置中，让工具输出先经过 sandbox，再把摘要和持久化 memory 注入下一轮请求。这样比单纯扩大 context window 更可控：减少噪声，也降低每轮输入 token。

如果使用 Anthropic 原生 /v1/messages，B-Lost 的 Prompt Caching 支持 cache hit 90% 折扣；relay 官方标价另有 20% 折扣（0.8x）。这对长系统提示词和稳定项目上下文尤其有价值。不过 TTFT 和实际成本仍应使用自己的模型、网络及命中率测试，别直接套用宣传数字。

项目地址：https://github.com/sponsors/mksglu

We're a place where coders share, stay up-to-date and grow their careers.