tscg：扩展代理工具能力的令牌上下文编译器
tscg，来自 SKZL AI，是一个确定性编译器，优化 AI 代理的上下文预算以用于代理工作流。它将复杂的 JSON 工具模式压缩成一种高效的语法，以便模型可以引用更大的工具集和 RAG 数据，而不会溢出上下文窗口。该工具报告了 50%–72% 的令牌节省，适用于冗长的工具定义，目标是需要紧凑、可预测工具表示的本地或受限 LLM 部署的 AI 工程师。
你实际上可以用它做什么任务？
该工具作为 MCP 服务器和 npm 包发布，目标是基于 Node.js 的部署，适用于与 MCP 兼容的主机，如 Claude Desktop、Cursor 和 Windsurf。集成包括对 LangChain 和 Vercel AI SDK 的支持，使其在代理代码组装工具调用或 RAG 链时可用。实际上，团队应用它以减少代理在运行时必须列出或引用许多外部工具时的提示开销。
它对模型行为和准确性有多大影响？
独立测试和开发者笔记报告称，使用 tscg 可以减少提示的“噪声”，并防止上下文窗口溢出，这些结果可以提高较小本地模型（如 Phi-4）的工具调用准确性。实施证明使代理系统能够在实验中处理非常大的工具集，包括超过 800 个工具的运行，其中模型在其他情况下未能使用完整的工具集。
运行时和隐私特性是什么？
tscg 是用 TypeScript 实现的，没有外部依赖，执行速度快，报告的运行时间约为 50 个工具集的 2.4 毫秒。它在标准 CPU 上运行，无需 GPU，并在本地执行编译，无需外部 API 调用，这支持离线或私有部署。该包包括对 Anthropic、OpenAI 和 Ollama 主机的提供者感知格式化。
针对工具数量限制的工程师实用，而非本地化套件
tscg 是一个实用的选择，适合需要在受限模型中扩展可调用工具数量的 AI 工程师；在代理 AI 研究社区中因解决工具上下文权衡而备受推崇。它在模式压缩方面的专业化意味着寻求本地化特定功能的团队应该考虑这种专注的范围是否与他们的目标相匹配。
