Headroom: сжатие данных перед отправкой в LLM
Headroom — это инструмент для сжатия выходных данных и файлов перед их отправкой в LLM. Он позволяет сократить количество токенов на 20% для агентов кодирования и на 60-95% для JSON, сохраняя при этом корректность ответов.
Проект отличается от стандартных решений тем, что фокусируется именно на оптимизации передачи данных в модели, что может существенно снизить затраты на использование API и ускорить обработку запросов. Это может быть полезно разработчикам, создающим приложения с использованием языковых моделей, которым важно уменьшить расход токенов.
Headroom написан на Python и доступен как библиотека и прокси-сервер. Запустить его можно, следуя инструкции в разделе Quickstart README. Имей в виду, что проект находится на ранней стадии, поэтому могут быть некоторые ограничения и недоработки.
Headroom — это библиотека, которая сжимает все, что читает твой AI-агент (например, выходные данные инструментов, логи, фрагменты RAG, файлы и историю разговоров), прежде чем данные достигнут модели LLM. Это позволяет добиться таких же ответов при отправке меньшего количества токенов. Сжатие выполняется локально на твоей машине, без передачи содержимого запросов или файлов куда-либо для сжатия.
Что делает проект?
- Библиотека — `compress(messages)` на Python или TypeScript, интегрируется в любое приложение.
- Прокси — `headroom proxy --port 8787`, без изменений в коде, работает с любым языком.
- Обертывание агентов — `headroom wrap` для легкой интеграции с различными AI-агентами (например, Claude, Codex и другими).
- MCP сервер — предоставляет команды `headroom_compress`, `headroom_retrieve`, `headroom_stats` для любого клиента MCP.
- Кросс-агентская память — единое хранилище для Claude, Codex и Grok с автоматическим удалением дублированных данных.
- Обучение — `headroom learn` извлекает данные из неудачных сессий, чтобы улучшить последующие попытки.
Как установить и запустить
Установка и запуск Headroom выполняются всего в три шага:
# 1 — Установка
uv tool install --python 3.13 "headroom-ai[all]" # CLI в изолированной среде
pip install "headroom-ai[all]" # Python — включает CLI
npm install headroom-ai # Только TypeScript SDK (без CLI)
# 2 — Выбор режима
headroom deploy # Мгновенное локальное развертывание и настройка агента
headroom wrap claude # Обернуть агента Claude
headroom proxy --port 8787 # Прокси с нулевыми изменениями в коде
# или: from headroom import compress # Встроенная библиотека
# 3 — Проверка и мониторинг экономии
headroom doctor # Проверка работоспособности
headroom perf
headroom dashboard # Живые результаты экономии (прокси должен работать)
Ограничения
Headroom отлично подходит для долгих сессий с использованием агентов и позволяет сократить количество токенов, не меняя твой код. Однако, если ты работаешь только с одним провайдером и не нуждаешься в кросс-агентной памяти, возможно, этот проект не стоит использовать. Кроме того, работы в песочнице, где локальные процессы не могут выполняться, тоже могут быть невозможными.
Сохранение значительно зависит от типа данных: повторяющиеся массивы и логические строчки могут сжиматься до 90%, в то время как уже плотные данные могут почти не уменьшаться. Блоки менее размера `min_input_words` вернутся идентичными и никакого сжатия не произойдет. Подробный список ограничений можно найти в документации проекта.
Документация и поддержка
Чтобы узнать больше о проекте, можешь посетить официальную документацию или присоединиться к дискорд-сообществу для вопросов и обмена опытом.
Радар проекта: 93 из 100 — зрелый и живой проект
- Импульс 91 ≈ 125 звёзд в день
- Темп разработки 100 1016 коммитов за 12 недель
- Зрелость 84 проекту 10 месяцев, больше 100 релизов
- Сообщество 100 405 участников, 6229 форков
- Свежесть 99 последний коммит — 2 дня назад
- Быстрый старт 80 есть: команда установки, Docker, сайт/демо, примеры
- Готовность к продакшену 85 релиз v0.44.0, автосборка, тесты
- Безопасность и доверие 100 лицензия Apache-2.0, SECURITY.md, организация
- Документация 100 README 32.8 тыс. знаков, 25 разделов, папка docs
- Экосистема 93 212 подписчиков на обновления, 20 тем
Как считаем
Только открытые данные GitHub на 14.11.2026, без оценок нейросети. Каждая ось — от 0 до 100, итог — среднее.
- Импульс — звёзд в день: за время наших замеров, а пока их нет — за всю жизнь проекта; 200 в день — максимум.
- Темп разработки — коммитов за последние 12 недель; 300 — максимум. Пока GitHub не досчитал статистику, ось не учитывается.
- Зрелость — возраст проекта (3 года — максимум) и число релизов (30 — максимум), поровну.
- Сообщество — участников с коммитами (200 — максимум) и форков (5000 — максимум), поровну.
- Свежесть — дней с последнего коммита: сегодня — 100, полгода и больше или архив — 0.
- Быстрый старт — в README есть команда установки, раздел «быстрый старт» или примеры использования, в репозитории — Docker и папка примеров, у проекта есть сайт или демо.
- Готовность к продакшену — релизы, версия 1.0 и выше, автосборка (GitHub Actions), тесты, лицензия, журнал изменений.
- Безопасность и доверие — открытая лицензия (своя — половина балла), политика безопасности (SECURITY.md), проект организации, правила для участников, не в архиве.
- Документация — объём и структура README, папка docs или сайт, оценка «здоровья сообщества» GitHub.
- Экосистема — звёзды (50 тыс. — максимум), подписчики на обновления (1000 — максимум), темы репозитория.
Открыть на GitHub: headroomlabs-ai/headroom →
RepoRadar