← Alle Werkzeuge

Werkzeug · Infrastruktur

Headroom

von Headroom Labs (Tejas Chopra)

Kompressionsschicht, die Werkzeug-Ausgaben und Logs kürzt, bevor sie ins Kontextfenster gehen.

Open SourcemacOSLinuxWindowsCLI

Einschätzung

Wirkt, aber schwächer als die kursierende Zahl

Für agentische Coding-Arbeit ist die belegte Größenordnung 21 bis 57 Prozent, nicht 60 bis 95. Das ist immer noch viel, hängt aber an der Nutzlast: dichte Prosa komprimiert kaum, wiederholte Logzeilen stark. Wer plant, misst das besser am eigenen Verkehr, statt die Werbezahl einzusetzen.

Headroom sitzt zwischen Anwendung und Modell und kürzt, was ein Agent liest: Werkzeug-Ausgaben, Logdateien, RAG-Ausschnitte, Dateien und Gesprächsverlauf. Die Kompression läuft nach Angabe des Projekts lokal; Prompt- und Dateiinhalte verlassen die eigene Maschine dafür nicht. Eingebunden wird es als Bibliothek für Python und TypeScript, als lokaler Proxy, als MCP-Server oder als Hülle um einen vorhandenen Coding-Agenten.

Wie viel es bringt, hängt daran, wie wiederholungsreich die Nutzlast ist. Die mitgelieferte, offline reproduzierbare Messtabelle des Projekts weist für vier Agenten-Szenarien 21 % (Codesuche), 30 % (GitHub-Issue-Triage), 42 % (Codebasis-Erkundung) und 57 % (Fehlersuche im Betrieb) weniger Eingabe-Token aus. Die vielzitierten 60 bis 95 % nennt die Ablage ausdrücklich für wiederholte JSON-Felder und Logzeilen; für Coding-Agenten nennt ihre eigene Kurzbeschreibung 20 %.

Die Kompression ist umkehrbar: Die Originale bleiben lokal zwischengespeichert, das Modell kann sie über einen eigenen Aufruf nachfordern. Das Projekt steht unter Apache 2.0 und hatte am 8. September 2026 laut GitHub-Schnittstelle 70.384 Sterne bei 5.415 Abspaltungen.

Wofür es gut ist

  • Token-Kosten eines Coding-Agenten senken, ohne den Agenten zu wechseln
  • Wiederholungsreiche Werkzeug-Ausgaben (JSON, Logs, Verzeichnisbäume) kürzen
  • Als lokaler Proxy vor beliebige OpenAI-kompatible Clients hängen

Stärken

  • Apache 2.0, Kompression läuft lokal – kein Prompt-Inhalt geht an Dritte
  • Eigene Messtabelle ist offline und mit festem Startwert reproduzierbar
  • Umkehrbar: Originale bleiben lokal, das Modell kann sie nachfordern

Schwächen

  • Die kursierenden 60 bis 95 % gelten nur für wiederholungsreiche JSON- und Log-Nutzlast
  • Ersparnis schwankt stark je Aufgabe (21 bis 57 % in der eigenen Tabelle)
  • Zusätzliche Schicht im Anfrageweg – Fehlersuche wird aufwendiger

Direkt ausprobieren

github.com/headroomlabs-ai/headroom

Zur offiziellen Seite ↗

Verwandte Werkzeuge

InfrastrukturDBXSchlanker Datenbank-Client für über 90 Systeme mit eigenem MCP-Server – speichert Verbindungspasswörter aber im Klartext.Infrastruktur9RouterLokaler Router, der Coding-Agenten über eine Adresse an viele Anbieter hängt und bei Quotenende weiterschaltet.Sprecher-DiarisierungNemotron 3 DiarizationOffenes Modell mit 100 Millionen Parametern, das in Aufnahmen und im laufenden Ton bis zu acht Sprecher auseinanderhält – Nachfolger von Sortformer, der bei vier Sprechern endete, unter einer Lizenz, die kommerzielle Nutzung ausdrücklich erlaubt.