headroom
★ 77.5k
vs
kaeru
★ 45
headroom vs kaeru
headroom：Headroom在AI代理的内容（如工具输出、日志、RAG块、文件和对话历史）到达LLM之前对其进行压缩。它能在获得相同答案的同时，显著减少所需的Token数量。；kaeru：Kaeru 是一个面向 LLM 代理的本地优先、跨代理认知引擎，提供了一个类型化属性图谱和一个用于长期记忆的回忆层。它支持多会话和多代理连续性，使代理能够随着时间推移保持完整的上下文、追溯来源并利用共享知识。
01
简评
headroomMemory & Context · ★ 77.5k
何时选择它（优势与适用）：
- 冗长的工具输出、日志、JSON 响应或 RAG 片段推高了成本或影响了答案质量。
- 想不改代码就压缩：作为本地代理、MCP 服务器运行，或包装 Claude Code、Codex、Cursor。
- 压缩必须在本地运行，并缓存原文，让模型需要时能取回完整内容。
何时考虑替代方案：
- 你的智能体的问题是文档缺失或过时，而不是上下文太多：文档服务器更合适。
- 你无法再加一个需要持续运行、可能增加延迟的组件。
- 你的任务不能接受有损压缩：先在自己的任务上验证答案质量。
kaeruMemory & Context · ★ 45
代理需要从之前的会话中召回其思考过程和项目上下文。
02
并排对比
03
功能特性
headroom01应用程序内压缩库（Python/TypeScript）
02零代码改动代理模式
03各种AI代理的一键封装
04跨代理共享内存和自动去重
05可逆压缩（CCR）并支持原始内容检索
kaeru01双层图谱（操作型/海马体和档案型/皮层），用于活跃思考和沉淀知识。
02双时态特性，原生支持断言/撤销历史，实现时间旅行查询和非破坏性冲突解决。
03按项目范围划分和分层重入机制，用于在会话间恢复项目上下文，并按需访问归档知识。
04可选的跨代理云层共享，允许信任的团队在安全门控下共享沉淀知识。
05结构化召回，基于精确名称查找、类型化图遍历和 FTS 模糊回退，而非主要依赖向量嵌入。
04
使用场景
headroom↳降低AI代理的LLM Token使用量和API成本。
↳实现多个AI代理之间的共享上下文和内存。
↳通过压缩工具输出、日志和RAG块来优化编码代理。
↳通过可逆上下文压缩保持完整数据保真度。
kaeru↳代理需要从之前的会话中召回其思考过程和项目上下文。
↳代理团队需要共享并基于集体的长期知识库进行工作。
↳代理希望在特定的项目范围内捕获新的观察或假设。
↳追溯代理所做知识片段或决策的出处和历史。
05
适合场景
headroom最受欢迎必备神器
kaeru—
FAQ
常见问题
headroom 和 kaeru 有什么区别？
headroom 和 kaeru 都属于 Memory & Context 类别。headroom 有 77.5k Stars，kaeru 有 45 Stars。
headroom 和 kaeru 哪个更好？
最佳选择取决于你的具体需求。降低AI代理的LLM Token使用量和API成本。 时选 headroom，代理需要从之前的会话中召回其思考过程和项目上下文。 时选 kaeru。
headroom 是免费的吗？
是的，headroom 在 GitHub 开源（Apache-2.0）。
kaeru 是免费的吗？
是的，kaeru 在 GitHub 开源（MIT）。
推荐云部署
Ad在 DigitalOcean 上一键部署
为你的 MCP 服务、Docker 容器与智能体提供即开即用云服务器，新用户立享 $200 免费额度（60天有效）。
→