AgentReady

TokenCut ist das Flaggschiff-Werkzeug. Es entfernt Füllwörter, vereinfacht wortreiche Konstruktionen und normalisiert Leerzeichen, während es Bedeutung, Codeblöcke, URLs und Zahlen erhält. Sie wählen eine Stufe: light nur für Leerzeichen, standard zum Entfernen von Füllmaterial und aggressive zum Ausdünnen von Stoppwörtern, was am meisten spart, aber Nuancen kosten kann. Laut AgentReady zeigt die standard-Komprimierung in den eigenen Benchmarks eine durchschnittliche Genauigkeitsabweichung von 0,4 Prozent, eine Zahl, die man selbst testen sollte, bevor man sich in der Produktion darauf verlässt.

Dieser Endpunkt arbeitet als API für Webseite zu Markdown. Er wandelt jede URL in sauberes, LLM-bereites Markdown um. Navigationsleisten, Werbung und Unordnung fallen automatisch weg. Sie können auch Kommentarbereiche entfernen, Bildverweise behalten, Metadaten ziehen und automatisch ein Inhaltsverzeichnis erzeugen. Ein Batch-Endpunkt bearbeitet bis zu 20 URLs auf einmal, ein Credit pro Stück. Das passt zu Teams, die Wissensdatenbanken aufbauen, statt Seiten einzeln auszulesen.

Agenten lesen Sitemaps nicht so wie Menschen oder klassische Crawler. Dieses Tool durchsucht eine Domain und baut ein Sitemap, das auf die Nutzung durch KI zugeschnitten ist, sodass ein Agent Ihre wichtigen Seiten findet, ohne sich durch einen für Suchmaschinen gebauten Verzeichnisbaum zu arbeiten.

Der LLMO-Auditor bewertet, wie gut ein Sprachmodell eine Seite analysieren und verstehen kann. Er markiert die Dinge, die Modelle aus dem Tritt bringen, etwa schweres Skripting, dünnen Text oder unklare Struktur, damit Sie Inhalte korrigieren, bevor ein KI-Assistent sie falsch liest. Für alle, die Sichtbarkeit in der KI-Suche anstreben, ist das so nah an einem Diagnosewerkzeug, wie es nur geht.

Zwei kleinere Endpunkte runden das Set ab. Der Structured Data Validator prüft Schema-Markup auf Probleme, die maschinelles Lesen stören, und der Robots.txt Analyzer zeigt, ob Ihre Crawler-Regeln die KI-Agenten blockieren, die Sie tatsächlich sehen wollen. Beides sind schnelle Checks, die Probleme abfangen, bevor sie Sichtbarkeit kosten.

Alles läuft über eine dokumentierte REST-API unter /api/v1/, mit SDKs für Python, Node.js und MCP plus einer Chrome-Erweiterung. Sie ist insofern OpenAI-kompatibel, als Sie komprimieren und dann Ihren üblichen Modell-Endpunkt mit dem Ergebnis aufrufen. Der Aufwand liegt bei etwa 5 ms pro Komprimierungsaufruf. Die Latenz ist nicht der Kompromiss, den Sie eingehen.