Paritok
Paritok · Programação
O Paritok é um gateway de compressão para agentes de código com IA. Ele fica entre o seu agente e o provedor do modelo, e encolhe as três coisas que incham cada requisição: esquemas de ferramentas, leituras de arquivos e saída de comandos, e histórico de conversa obsoleto. Você aponta uma variável de ambiente para ele, e ferramentas como Claude Code, Cursor, Codex e OpenHands continuam funcionando enquanto enviam muito menos tokens. A proposta é simples: sessões mais longas e contas menores, com os bytes originais recuperáveis sempre que o agente precisar deles.
Sobre Paritok
O que é o Paritok
O Paritok é um gateway que comprime o contexto de agentes de código com IA sem editar seu código nem mudar o comportamento do seu agente. Ele roda como um processo local, recebe as mesmas chamadas de API que o seu agente já faz e enxuga o payload antes de encaminhá-lo ao modelo upstream. O agente não percebe a diferença além de ver mais espaço utilizável na sua janela de contexto.
O problema que ele ataca é real e fácil de subestimar. Agentes de código reenviam a lista completa de ferramentas, cada arquivo que leram e cada saída de comando a cada turno. Uma sessão que começa com 40K tokens pode passar de 250K em vinte turnos, e você paga por tudo isso de novo a cada vez. Essa compressão de tokens na camada do gateway ataca esse crescimento na origem, em vez de pedir que você escreva prompts mais curtos. É um gateway de compressão de contexto, não um plugin.
Essa distinção importa. Um plugin roda dentro do agente e depende dos próprios ganchos e peculiaridades dele, então a cobertura varia muito e as atualizações quebram coisas. Um gateway fica uma camada fora, o que significa que as mesmas requisições e respostas fluem intactas enquanto a contagem de tokens no fio cai silenciosamente turno após turno.
Seu limite principal é o escopo. O Paritok foi feito para tráfego de agentes de código, não para chat geral nem trabalho com documentos, e funciona melhor quando o seu agente se apoia em muitas ferramentas e lê muitos arquivos. Então quando ele deixa de compensar? Se as suas sessões são curtas e usam poucas ferramentas, a economia é menor e o processo local extra pode não justificar seu lugar. É um produto jovem, então espere arestas com provedores incomuns e variantes exatas de configuração, e reserve um tempo para verificar que a sua configuração específica de agente se comporta como a documentação promete antes de confiar nele para algo importante.
Primeiros passos
- Instale o gateway Paritok e rode-o localmente, onde ele escuta as requisições do agente.
- Aponte seu agente para ele definindo uma variável de ambiente, por exemplo
ANTHROPIC_BASE_URL=http://127.0.0.1:8080. - Mantenha o seu provedor de modelo e as suas chaves atuais. O Paritok encaminha para qualquer upstream compatível com OpenAI.
- Inicie uma sessão normalmente no Claude Code, Cursor, Codex ou OpenHands e veja o medidor de tokens cair.
- Quando o agente precisar do conteúdo exato, ele chama
read_original(ref)para puxar os bytes originais de volta, localmente e sem gastar um turno.
Informações do produto
Uma visão rápida dos preços, das plataformas compatíveis e do desempenho de Paritok.
Ideal para
Os usuários, tarefas e cenários em que esta ferramenta se encaixa melhor.
Usuários
- Desenvolvedores com sessões longas de agentes de código
- Equipes de olho na conta de tokens de IA
- Auto-hospedeiros e criadores atentos à privacidade
Tarefas
- Refatorações em vários arquivos
- Depuração de logs e saída de testes
- Fluxos de agente pesados em ferramentas
Cenários
- Uma tarde longa iterando sobre um recurso em que, de outro modo, você bateria no teto de contexto e perderia o fio.
- Rodar uma configuração de agente pesada em MCP com um orçamento de API medido e querer que o custo por turno fique estável.
- Trabalhar em um notebook com um orçamento de contexto modesto em que você quer mais espaço utilizável do mesmo modelo.
Principais recursos
Compressão de três alavancas
O Paritok empilha três fontes de economia em vez de apostar em uma. Esquemas de ferramentas são enxugados e reduzidos a stubs, leituras de arquivos e saída de comandos são condensadas, e o histórico obsoleto é resumido quando o seu orçamento se esgota. As alavancas se acumulam. Uma sessão que economiza 25% no primeiro turno pode chegar a 60% ou mais no décimo quinto turno.
Enxugamento de esquemas de ferramentas
Agentes costumam enviar 46 ou mais ferramentas em JSON completo a cada requisição. O Paritok mantém as ferramentas relevantes para a tarefa atual e reduz o resto a stubs, congelando o bloco por conversa para que fique estável em cache. No exemplo do fornecedor, um bloco de ferramentas de 29K tokens cai para cerca de 8K por turno. Isso é uma economia de 21K antes de ler um único arquivo.
Recuperação sem perdas sob demanda
Aqui a compressão é com perdas no fio, não permanente. Nada é descartado. O agente pode chamar read_original(ref) para receber os bytes exatos de volta, e faz isso localmente sem gastar um turno de modelo. Essa única garantia é o que torna seguro rodar o resto da compressão em código de produção real, porque o agente sempre pode alcançar o conteúdo original no momento em que o resumo não for preciso o bastante para a edição que ele está fazendo.
Compressão de arquivos ciente da intenção
O compressor, um modelo de 4B parâmetros chamado Paritok-4B, é treinado em tráfego de agentes de código e extrai trechos em vez de reescrevê-los. Identificadores, caminhos de arquivo e strings de erro sobrevivem porque o modelo os seleciona da entrada em vez de parafraseá-los. Uma leitura que começa com 4.820 tokens pode voltar perto de um quarto desse tamanho. Pouco por turno. Muito ao longo de uma sessão.
Histórico controlado por orçamento
Os turnos mais antigos são resumidos quando você cruza um orçamento de contexto que você define, não quando o modelo finalmente fica sem espaço. Os turnos recentes ficam intactos, e o fornecedor relata zero estouros nos próprios testes. Você decide quando a compressão entra em ação em vez de deixar o provedor decidir por você. Esse controle é o ponto.
Drop-in agnóstico de modelo
O gateway faz proxy para qualquer upstream compatível com OpenAI, então não está preso a um fornecedor. Funciona hoje com Claude Code, Cursor, Codex e OpenHands, e toda a integração para um agente compatível é uma única variável de ambiente mais rotear uma URL base. Sem migração de SDK. Sem reescrita.
Prós e contras
Prós
- Corta tokens de entrada nas partes de uma requisição que dominam a conta: esquemas de ferramentas, leituras de arquivos e histórico reenviado.
- Os bytes originais são recuperáveis sob demanda, então a compressão não custa precisão ao agente em identificadores nem caminhos.
- Auto-hospedado e gratuito no nível base, com o contexto ficando na sua própria máquina antes de ir para o upstream.
- Funciona com os agentes existentes por meio de uma variável de ambiente, então não há reescrita nem migração de SDK.
- A economia cresce ao longo de uma sessão, o que casa com o modo como as tarefas reais de código rodam.
Contras
- É feito sob medida para agentes de código. Chat geral, escrita e fluxos com documentos ganham pouco.
- A janela de contexto em que ele mais economiza é justamente onde sessões curtas e com poucas ferramentas nunca estavam sofrendo.
- Adiciona um processo local à sua configuração, que é mais uma coisa para rodar, monitorar e manter atualizada.
- Por ser um produto jovem, espere lacunas na cobertura de provedores e casos limite em configurações incomuns de agente.
Perguntas frequentes
É um gateway que comprime o contexto que o seu agente de código envia a um modelo. Ele encolhe esquemas de ferramentas, leituras de arquivos e saída de comandos, e o histórico de conversa obsoleto na passagem, então cada requisição carrega menos tokens.
Conteúdo relacionado
Explore ferramentas, skills e artigos relacionados a Paritok.
Alternativas a Paritok
Forefront
Forefront · ProgramaçãoO Forefront é uma plataforma web para construir com IA de código aberto. Você ajusta os principais modelos de linguagem de código aberto com seus próprios dados, avalia o desempenho deles e os roda por uma API ou os exporta para hospedar por conta própria. Desenvolvedores que querem a conveniência de uma plataforma fechada, mas fazem questão de ser donos dos modelos e dos dados, são o público-alvo aqui.
Startkit
StartKit.AI · ProgramaçãoStartkit é um boilerplate para criar produtos de SaaS com IA e wrappers de IA. Pense nele como um boilerplate para startups de IA com as partes chatas já conectadas: autenticação, pagamentos com Stripe e Lemon Squeezy, limites de uso, e-mail transacional e um kit inicial de API de IA que conversa com OpenAI, Anthropic, Groq ou Llama. Você clona o repositório, define seu preço e começa pela parte do produto que as pessoas realmente pagam. Ele é feito em Next.js sobre React e Tailwind, então boa parte do código boilerplate já parece familiar.
Testim
Tricentis · ProgramaçãoO Testim é uma plataforma de automação de testes com IA para criar e executar testes de ponta a ponta em aplicações web, mobile e Salesforce. Ele se apoia no aprendizado de máquina para manter os testes estáveis quando uma interface muda, então as equipes gastam menos tempo consertando seletores quebrados. Nada mal para uma ferramenta de testes automatizados que você pode começar a usar hoje. Você cria testes gravando ações no navegador e depois adiciona JavaScript quando precisa de mais controle. É uma escolha sólida para equipes de QA ocupadas.