Paritok
Paritok · Programación
Paritok es una puerta de enlace de compresión para agentes de código con IA. Se coloca entre tu agente y el proveedor del modelo, y reduce las tres cosas que inflan cada solicitud: los esquemas de herramientas, las lecturas de archivos y la salida de comandos, y el historial de conversación obsoleto. Apuntas una variable de entorno hacia ella, y herramientas como Claude Code, Cursor, Codex y OpenHands siguen funcionando mientras envían muchos menos tokens. La propuesta es simple: sesiones más largas y facturas más pequeñas, con los bytes originales recuperables siempre que el agente los necesite.
Acerca de Paritok
Qué es Paritok
Paritok es una puerta de enlace que comprime el contexto de los agentes de código con IA sin editar tu base de código ni cambiar el comportamiento de tu agente. Se ejecuta como un proceso local, acepta las mismas llamadas a la API que tu agente ya hace y recorta la carga útil antes de reenviarla al modelo de origen. El agente no nota la diferencia salvo por ver más espacio utilizable en su ventana de contexto.
El problema que ataca es real y fácil de subestimar. Los agentes de código reenvían su lista completa de herramientas, cada archivo que han leído y cada salida de comando en cada turno. Una sesión que empieza con 40K tokens puede superar los 250K en veinte turnos, y pagas todo eso de nuevo cada vez. Esta compresión de tokens en la capa de la puerta de enlace ataca ese crecimiento en su origen, en lugar de pedirte que escribas prompts más cortos. Es una puerta de enlace de compresión de contexto, no un plugin.
Esa distinción importa. Un plugin se ejecuta dentro del agente y depende de sus propios ganchos y rarezas, así que la cobertura varía mucho y las actualizaciones rompen cosas. Una puerta de enlace se sitúa una capa por fuera, lo que significa que las mismas solicitudes y respuestas fluyen intactas mientras el recuento de tokens en el cable baja en silencio turno tras turno.
Su límite principal es el alcance. Paritok está hecho para el tráfico de agentes de código, no para chat general ni trabajo con documentos, y funciona mejor cuando tu agente se apoya en muchas herramientas y lee muchos archivos. Entonces, ¿cuándo deja de compensar? Si tus sesiones son cortas y usan pocas herramientas, el ahorro es menor y el proceso local extra puede no ganarse su sitio. Es un producto joven, así que espera asperezas con proveedores poco comunes y variantes exactas de configuración, y reserva algo de tiempo para verificar que tu configuración concreta de agente se comporta como promete la documentación antes de confiarle algo importante.
Primeros pasos
- Instala la puerta de enlace Paritok y ejecútala en local, donde escucha las solicitudes del agente.
- Apunta tu agente hacia ella configurando una variable de entorno, por ejemplo
ANTHROPIC_BASE_URL=http://127.0.0.1:8080. - Conserva tu proveedor de modelo y tus claves actuales. Paritok reenvía a cualquier origen compatible con OpenAI.
- Inicia una sesión como de costumbre en Claude Code, Cursor, Codex o OpenHands y observa cómo baja el medidor de tokens.
- Cuando el agente necesite el contenido exacto, llama a
read_original(ref)para recuperar los bytes originales, en local y sin gastar un turno.
Información del producto
Un vistazo rápido a los precios, las plataformas compatibles y el rendimiento de Paritok.
Ideal para
Los usuarios, tareas y casos de uso en los que esta herramienta encaja mejor.
Usuarios
- Desarrolladores con sesiones largas de agentes de código
- Equipos pendientes de la factura de tokens de IA
- Autoalojadores y creadores preocupados por la privacidad
Tareas
- Refactorizaciones de varios archivos
- Depuración de registros y salida de pruebas
- Flujos de agentes cargados de herramientas
Casos de uso
- Una tarde larga iterando sobre una función en la que, de otro modo, tocarías el techo de contexto y perderías el hilo.
- Ejecutar una configuración de agente cargada de MCP con un presupuesto de API medido y querer que el coste por turno se mantenga plano.
- Trabajar en un portátil con un presupuesto de contexto modesto en el que quieres más espacio utilizable del mismo modelo.
Funciones clave
Compresión de tres palancas
Paritok apila tres fuentes de ahorro en lugar de apostar por una. Los esquemas de herramientas se recortan y se reducen a stubs, las lecturas de archivos y la salida de comandos se condensan, y el historial obsoleto se resume una vez que su presupuesto se llena. Las palancas se acumulan. Una sesión que ahorra un 25 % en el primer turno puede llegar al 60 % o más en el turno quince.
Recorte de esquemas de herramientas
Los agentes suelen enviar 46 o más herramientas en JSON completo en cada solicitud. Paritok mantiene las herramientas relevantes para la tarea actual y reduce el resto a stubs, congelando el bloque por conversación para que se mantenga estable en caché. En el ejemplo del proveedor, un bloque de herramientas de 29K tokens baja a unos 8K por turno. Eso es un ahorro de 21K antes de leer un solo archivo.
Recuperación sin pérdidas bajo demanda
Aquí la compresión es con pérdidas en el cable, no permanente. No se descarta nada. El agente puede llamar a read_original(ref) para recuperar los bytes exactos, y lo hace en local sin gastar un turno de modelo. Esa única garantía es lo que hace seguro ejecutar el resto de la compresión sobre código de producción real, porque el agente siempre puede alcanzar el contenido original en el momento en que el resumen no sea lo bastante preciso para la edición que está haciendo.
Compresión de archivos consciente de la intención
El compresor, un modelo de 4B parámetros llamado Paritok-4B, se entrena con tráfico de agentes de código y extrae fragmentos en lugar de reescribirlos. Los identificadores, las rutas de archivo y las cadenas de error sobreviven porque el modelo los selecciona de la entrada en vez de parafrasearlos. Una lectura que empieza con 4.820 tokens puede volver cerca de una cuarta parte de ese tamaño. Poco por turno. Mucho a lo largo de una sesión.
Historial controlado por presupuesto
Los turnos más antiguos se resumen una vez que cruzas un presupuesto de contexto que tú fijas, no cuando el modelo por fin se queda sin espacio. Los turnos recientes se dejan intactos, y el proveedor informa de cero desbordamientos en sus propias pruebas. Tú decides cuándo entra en juego la compresión en lugar de dejar que lo decida el proveedor. Ese control es el punto.
Drop-in agnóstico al modelo
La puerta de enlace hace de proxy para cualquier origen compatible con OpenAI, así que no está atada a un solo proveedor. Funciona hoy con Claude Code, Cursor, Codex y OpenHands, y toda la integración para un agente compatible es una única variable de entorno más enrutar una URL base. Sin migración de SDK. Sin reescritura.
Ventajas y desventajas
Ventajas
- Recorta los tokens de entrada en las partes de una solicitud que dominan la factura: esquemas de herramientas, lecturas de archivos e historial reenviado.
- Los bytes originales son recuperables bajo demanda, así que la compresión no le cuesta precisión al agente en identificadores ni rutas.
- Autoalojado y gratuito en el nivel base, con el contexto quedándose en tu propia máquina antes de ir al origen.
- Funciona con los agentes existentes mediante una variable de entorno, así que no hay reescritura ni migración de SDK.
- El ahorro crece a lo largo de una sesión, lo que encaja con cómo funcionan de verdad las tareas de código.
Desventajas
- Está hecho a medida para agentes de código. El chat general, la escritura y los flujos con documentos se benefician poco.
- La ventana de contexto en la que más ahorra es justo donde las sesiones cortas y con pocas herramientas nunca tenían problemas.
- Añade un proceso local a tu configuración, que es una cosa más que ejecutar, vigilar y mantener actualizada.
- Al ser un producto joven, espera huecos en la cobertura de proveedores y casos límite en configuraciones de agente poco habituales.
Preguntas frecuentes
Es una puerta de enlace que comprime el contexto que tu agente de código envía a un modelo. Reduce los esquemas de herramientas, las lecturas de archivos y la salida de comandos, y el historial de conversación obsoleto a su paso, así que cada solicitud lleva menos tokens.
Contenido relacionado
Explora herramientas, habilidades y artículos relacionados con Paritok.
Alternativas a Paritok
Forefront
Forefront · ProgramaciónForefront es una plataforma web para construir con IA de código abierto. Te deja ajustar los principales modelos de lenguaje de código abierto con tus propios datos, evaluar cómo rinden y ejecutarlos a través de una API o exportarlos para alojarlos tú mismo. Los desarrolladores que quieren la comodidad de una plataforma cerrada pero insisten en ser dueños de sus modelos y sus datos son el público objetivo.
Startkit
StartKit.AI · ProgramaciónStartkit es un boilerplate para crear productos de SaaS con IA y wrappers de IA. Piénsalo como un boilerplate para startups de IA con las partes aburridas ya conectadas: autenticación, pagos con Stripe y Lemon Squeezy, límites de uso, correo transaccional y un kit de inicio de API de IA que habla con OpenAI, Anthropic, Groq o Llama. Clonas el repositorio, pones tu precio y te dedicas a la parte del producto por la que la gente paga de verdad. Está hecho con Next.js sobre React y Tailwind, así que buena parte del código boilerplate ya te resulta familiar.
Testim
Tricentis · ProgramaciónTestim es una plataforma de automatización de pruebas impulsada por IA para crear y ejecutar pruebas de extremo a extremo en aplicaciones web, móviles y Salesforce. Se apoya en el aprendizaje automático para mantener las pruebas estables cuando cambia una interfaz, así que los equipos dedican menos tiempo a reparar selectores rotos. No está nada mal para una herramienta de pruebas automatizadas que puedes empezar a usar hoy mismo. Creas pruebas grabando acciones en un navegador y luego añades JavaScript cuando necesitas más control. Es una opción sólida para equipos de QA con mucho trabajo.