Tokenless 通过五条互补策略在内容进入 LLM 上下文窗口之前削减冗余：
-
Schema 压缩（~57%）：精简 Function Calling 工具定义，去除描述中的 markdown 语法、删除 examples 和 title 字段、截断过长的函数与参数描述。对包含大量工具定义（数十个 Function Calling schema）的 Agent 场景效果最显著。
-
响应压缩（26–78%）：对 API 返回和工具执行结果应用 7 条规则——删除 debug/trace/stack/logs 等低价值字段（R3）、移除 null 和空值（R4/R5）、截断超过 4096 字符的超长字符串（R1）、截断超过 32 个元素的数组（R2）、截断超过 8 层的嵌套深度（R6）。优化效果最好的输入类型：包含大量调试信息的 API 响应（如 Kubernetes API、云资源查询结果）、含有冗余字段的 web_fetch 结果（实测 ~78%）、以及深层嵌套的 JSON 结构。
-
TOON 编码（15–40%）：将 JSON 无损编码为 Token 导向的紧凑格式，消除引号、逗号、花括号等 JSON 语法开销。对结构规整、字段名较长的数据（如包含 description、resource_id 等长 key 的对象）优化效果最好。
-
命令重写（60–90%）：集成 RTK 引擎对 70+ 种 CLI 命令输出做智能过滤，消除进度条、ANSI 转义码、冗余日志等干扰信息。优化效果最好的输入类型：构建工具输出（cargo/npm/go/pytest）、包管理器输出（dnf/yum/apt）、以及文件列表命令（ls -la、find）的冗长结果。
-
工具就绪检查：在工具调用前校验二进制、配置、权限和网络依赖，自动修复缺失项并标记环境类失败为"Skip retry"，避免 LLM 对必然失败的命令反复重试浪费 Token。
整体而言，Tokenless 对以下输入输出优化效果最大：含大量工具定义的 Agent 配置（Schema 压缩）、含调试/冗余字段的 API 响应（响应压缩）、结构化的 JSON 数据（TOON 编码）、CI/CD 构建与包管理命令输出（RTK 重写）。
