Paritok
Paritok · Coding
Paritok ist ein Kompressions-Gateway für KI-Coding-Agenten. Es sitzt zwischen Ihrem Agenten und dem Modellanbieter und verkleinert die drei Dinge, die jede Anfrage aufblähen: Tool-Schemas, Dateilesevorgänge und Befehlsausgaben sowie veralteten Gesprächsverlauf. Sie richten eine Umgebungsvariable darauf, und Tools wie Claude Code, Cursor, Codex und OpenHands funktionieren weiter, während sie deutlich weniger Token senden. Das Versprechen ist einfach: längere Sitzungen und kleinere Rechnungen, wobei die ursprünglichen Bytes abrufbar bleiben, wann immer der Agent sie braucht.
Über Paritok
Was ist Paritok
Paritok ist ein Gateway, das den Kontext von KI-Coding-Agenten komprimiert, ohne Ihre Codebasis zu bearbeiten oder das Verhalten Ihres Agenten zu ändern. Es läuft als lokaler Prozess, nimmt dieselben API-Aufrufe entgegen, die Ihr Agent ohnehin macht, und kürzt die Nutzlast, bevor es sie an das vorgelagerte Modell weiterleitet. Der Agent merkt keinen Unterschied, außer dass er mehr nutzbaren Platz in seinem Kontextfenster sieht.
Das Problem, auf das es zielt, ist real und leicht zu unterschätzen. Coding-Agenten senden ihre komplette Tool-Liste, jede gelesene Datei und jede Befehlsausgabe in jedem Zug erneut. Eine Sitzung, die bei 40K Token startet, kann in zwanzig Zügen über 250K steigen, und Sie zahlen jedes Mal alles erneut. Diese Token-Kompression auf der Gateway-Ebene packt dieses Wachstum an der Wurzel, statt Sie zu bitten, kürzere Prompts zu schreiben. Es ist ein Gateway zur Kontextkompression, kein Plugin.
Dieser Unterschied zählt. Ein Plugin läuft innerhalb des Agenten und hängt von dessen eigenen Hooks und Eigenheiten ab, sodass die Abdeckung stark schwankt und Updates Dinge kaputt machen. Ein Gateway sitzt eine Ebene weiter außen, was bedeutet, dass dieselben Anfragen und Antworten unverändert durchfließen, während die Token-Zahl auf der Leitung Zug um Zug still sinkt.
Seine Hauptgrenze ist der Umfang. Paritok ist für den Datenverkehr von Coding-Agenten gebaut, nicht für allgemeinen Chat oder Dokumentarbeit, und es funktioniert am besten, wenn Ihr Agent sich auf viele Tools stützt und viele Dateien liest. Wann hört es also auf, sich zu lohnen? Wenn Ihre Sitzungen kurz sind und wenige Tools nutzen, sind die Einsparungen kleiner und der zusätzliche lokale Prozess verdient seinen Platz vielleicht nicht. Es ist ein junges Produkt, rechnen Sie also mit rauen Kanten bei ungewöhnlichen Anbietern und genauen Setup-Varianten, und planen Sie etwas Zeit ein, um zu prüfen, ob Ihre spezielle Agenten-Konfiguration sich so verhält, wie die Dokumentation es verspricht, bevor Sie ihr etwas Wichtiges anvertrauen.
Erste Schritte
- Installieren Sie das Paritok-Gateway und führen Sie es lokal aus, wo es auf Agenten-Anfragen wartet.
- Richten Sie Ihren Agenten darauf, indem Sie eine Umgebungsvariable setzen, zum Beispiel
ANTHROPIC_BASE_URL=http://127.0.0.1:8080. - Behalten Sie Ihren Modellanbieter und Ihre Schlüssel. Paritok leitet an jede OpenAI-kompatible Vorstufe weiter.
- Starten Sie eine Sitzung wie gewohnt in Claude Code, Cursor, Codex oder OpenHands und beobachten Sie, wie der Token-Zähler fällt.
- Wenn der Agent den exakten Inhalt braucht, ruft er
read_original(ref)auf, um die ursprünglichen Bytes zurückzuholen, lokal und ohne einen Zug zu verbrauchen.
Produktinformationen
Ein kurzer Überblick über Preise, unterstützte Plattformen und die Leistung von Paritok.
Am besten für
Die Nutzer, Aufgaben und Szenarien, für die dieses Tool am besten passt.
Nutzer
- Entwickler mit langen Coding-Agenten-Sitzungen
- Teams, die die KI-Token-Rechnung im Blick haben
- Selbst-Hoster und datenschutzbewusste Entwickler
Aufgaben
- Refactorings über mehrere Dateien
- Debugging über Logs und Testausgaben
- Tool-lastige Agenten-Workflows
Szenarien
- Ein langer Nachmittag des Iterierens an einem Feature, an dem Sie sonst die Kontext-Obergrenze erreichen und den Faden verlieren.
- Ein MCP-lastiges Agenten-Setup mit einem abgerechneten API-Budget laufen lassen und wollen, dass die Kosten pro Zug flach bleiben.
- Auf einem Laptop mit bescheidenem Kontext-Budget arbeiten und aus demselben Modell mehr nutzbaren Platz herausholen.
Wichtigste Funktionen
Kompression mit drei Hebeln
Paritok stapelt drei Sparquellen, statt auf eine zu setzen. Tool-Schemas werden gekürzt und zu Stubs reduziert, Dateilesevorgänge und Befehlsausgaben werden verdichtet, und veralteter Verlauf wird zusammengefasst, sobald sein Budget voll ist. Die Hebel verstärken sich. Eine Sitzung, die im ersten Zug 25 % spart, kann im fünfzehnten Zug 60 % oder mehr erreichen.
Kürzung der Tool-Schemas
Agenten liefern routinemäßig 46 oder mehr Tools in vollständigem JSON mit jeder Anfrage. Paritok behält die für die aktuelle Aufgabe relevanten Tools und reduziert den Rest zu Stubs, wobei der Block pro Konversation eingefroren wird, damit er cache-stabil bleibt. Im Beispiel des Anbieters fällt ein Tool-Block von 29K Token auf etwa 8K pro Zug. Das sind 21K Einsparung, bevor eine einzige Datei gelesen wird.
Verlustfreie Wiederherstellung auf Abruf
Die Kompression ist hier auf der Leitung verlustbehaftet, nicht dauerhaft. Nichts wird verworfen. Der Agent kann read_original(ref) aufrufen, um die exakten Bytes zurückzuholen, und das tut er lokal, ohne einen Modell-Zug zu verbrauchen. Genau diese Garantie macht den Rest der Kompression auf echtem Produktionscode sicher, denn der Agent erreicht den ursprünglichen Inhalt immer in dem Moment, in dem die Zusammenfassung nicht präzise genug für die Änderung ist, die er gerade vornimmt.
Absichtsbewusste Dateikompression
Der Kompressor, ein Modell mit 4B Parametern namens Paritok-4B, wird auf dem Datenverkehr von Coding-Agenten trainiert und extrahiert Abschnitte, statt sie umzuschreiben. Bezeichner, Dateipfade und Fehlerzeichenketten bleiben erhalten, weil das Modell sie aus der Eingabe auswählt, statt sie zu paraphrasieren. Ein Lesevorgang, der bei 4.820 Token beginnt, kann bei etwa einem Viertel dieser Größe zurückkommen. Pro Zug wenig. Über eine Sitzung viel.
Budgetgesteuerter Verlauf
Ältere Züge werden zusammengefasst, sobald Sie ein von Ihnen gesetztes Kontext-Budget überschreiten, nicht erst, wenn dem Modell der Platz ausgeht. Neuere Züge bleiben unangetastet, und der Anbieter meldet null Überläufe in seinen eigenen Tests. Sie entscheiden, wann die Kompression einsetzt, statt den Anbieter für Sie entscheiden zu lassen. Diese Kontrolle ist der Punkt.
Modellunabhängig einsetzbar
Das Gateway vermittelt an jede OpenAI-kompatible Vorstufe, es ist also nicht an einen Anbieter gebunden. Es funktioniert heute mit Claude Code, Cursor, Codex und OpenHands, und die gesamte Integration für einen kompatiblen Agenten besteht aus einer einzigen Umgebungsvariable plus dem Weiterleiten einer Basis-URL. Keine SDK-Migration. Kein Umschreiben.
Vor- und Nachteile
Vorteile
- Kürzt die Eingabe-Token bei den Teilen einer Anfrage, die die Rechnung dominieren: Tool-Schemas, Dateilesevorgänge und erneut gesendeten Verlauf.
- Die ursprünglichen Bytes sind auf Abruf wiederherstellbar, die Kompression kostet den Agenten also keine Genauigkeit bei Bezeichnern oder Pfaden.
- Selbst gehostet und in der Basisstufe kostenlos, wobei der Kontext auf Ihrem eigenen Rechner bleibt, bevor er nach außen geht.
- Funktioniert mit bestehenden Agenten über eine Umgebungsvariable, es gibt also kein Umschreiben und keine SDK-Migration.
- Die Einsparungen wachsen über eine Sitzung, was dazu passt, wie echte Coding-Aufgaben tatsächlich laufen.
Nachteile
- Es ist gezielt für Coding-Agenten gebaut. Allgemeiner Chat, Schreiben und Dokument-Workflows profitieren kaum.
- Das Kontextfenster, auf dem es am meisten spart, ist genau das, wo kurze, tool-leichte Sitzungen nie in Schwierigkeiten waren.
- Es fügt Ihrem Setup einen lokalen Prozess hinzu, also eine Sache mehr, die Sie laufen lassen, überwachen und aktuell halten müssen.
- Als junges Produkt rechnen Sie mit Lücken in der Anbieter-Abdeckung und Sonderfällen bei ungewöhnlichen Agenten-Konfigurationen.
Häufige Fragen
Es ist ein Gateway, das den Kontext komprimiert, den Ihr Coding-Agent an ein Modell sendet. Es verkleinert Tool-Schemas, Dateilesevorgänge und Befehlsausgaben sowie veralteten Gesprächsverlauf auf dem Weg, sodass jede Anfrage weniger Token trägt.
Ähnliche Inhalte
Entdecke passende Tools, Skills und Artikel zu Paritok.
Alternativen zu Paritok
Forefront
Forefront · CodingForefront ist eine Webplattform zum Bauen mit Open-Source-KI. Sie lassen sich führende Open-Source-Sprachmodelle mit eigenen Daten feintunen, ihre Leistung bewerten und sie über eine API ausführen oder exportieren, um sie selbst zu hosten. Entwickler, die den Komfort einer geschlossenen Plattform wollen, aber darauf bestehen, ihre Modelle und Daten zu besitzen, sind hier die Zielgruppe.
Startkit
StartKit.AI · CodingStartkit ist ein Boilerplate zum Bauen von KI-SaaS-Produkten und KI-Wrappern. Man kann es sich als KI-Startup-Boilerplate vorstellen, bei dem die langweiligen Teile schon verdrahtet sind: Authentifizierung, Zahlungen über Stripe und Lemon Squeezy, Nutzungslimits, transaktionale E-Mail und ein KI-API-Starter-Kit, das mit OpenAI, Anthropic, Groq oder Llama spricht. Man klont das Repository, setzt seinen Preis und kümmert sich um den Teil des Produkts, für den Menschen wirklich bezahlen. Es basiert auf Next.js über React und Tailwind, deshalb fühlt sich ein Großteil des Boilerplate-Codes schon vertraut an.
Testim
Tricentis · CodingTestim ist eine KI-gestützte Plattform für Testautomatisierung, mit der man End-to-End-Tests für Web-, Mobile- und Salesforce-Anwendungen baut und ausführt. Sie setzt auf maschinelles Lernen, um Tests stabil zu halten, wenn sich eine Oberfläche ändert, sodass Teams weniger Zeit mit der Reparatur kaputter Selektoren verbringen. Nicht schlecht für ein Tool für automatisierte Tests, das Sie heute schon nutzen können. Sie erstellen Tests, indem Sie Aktionen im Browser aufzeichnen, und fügen danach JavaScript hinzu, wenn Sie mehr Kontrolle brauchen. Für ein beschäftigtes QA-Team eine solide Wahl.