🇬🇧 English •
🇯🇵 日本語 •
🇰🇷 한국어 •
🇧🇷 Português •
🇪🇸 Español •
🇩🇪 Deutsch •
🇫🇷 Français •
🇷🇺 Русский •
🇮🇳 हिन्दी •
🇹🇷 Türkçe
Entroly — 证据感知的上下文工程
审查AI答案是否有证据支持。在检索有优化空间时减少大仓库输入上下文。
约30秒完成设置。
安装 ·
Cookbook ·
基准测试 ·
21 支持的集成 ·
仪表盘
npm install -g entroly && entroly | pip install entroly && entroly go | 在线演示 →
---
## 问题——以及对底线的影响
发送原始文件转储的AI编程工具通常面临同一个限制：**模型一次可能只收到少量文件。** 代码库的其余部分未被表示。这可能导致不支持的API引用、遗漏依赖，以及开发者需要额外时间来验证AI生成的建议。
> Entroly通过从完整仓库中选择紧凑的、可变分辨率的上下文来解决这个问题。
---
## 第一天就改变什么
| 指标 | 未使用Entroly | **使用Entroly** |
|---|---|---|
| AI可见的文件 | 5–10个 | **支持的文件以可变分辨率选择** |
| 每次请求Token数 | ~186,000原始示例 | **发布检查中为9,300 – 55,000** |
| 月度AI支出 | 取决于供应商/模型 | **当输入token减少时降低** |
| AI回答可验证性 | 取决于提供的上下文 | **可对照选择的证据审计** |
| 设置 | 手动Prompt工程 | **30秒** |
> 节省取决于仓库大小、查询范围、模型定价和预算。在你自己的仓库上运行 `entroly demo` 或 `entroly verify-claims` 进行本地测量。
---
---
## 原理（30秒）
```bash
npm install -g entroly && entroly
# 或
pip install entroly && entroly go
```
就这样。Entroly自动检测你的IDE，连接支持的编程工具，开始优化。无需配置。无需YAML。无需embeddings。
**内部发生了什么：**
1. **索引** — 2秒内映射你的整个代码库
2. **评分** — 按信息密度对每个文件排名
3. **选择** — 为你的token预算选择数学最优子集
4. **交付** — 关键文件完整传输，支持文件作为签名，其余作为引用
5. **学习** — 跟踪有效方案，随时间变得更智能
你的AI现在看到100%的代码库。你只需支付5-30%的token。
---
## 竞争优势——Entroly的不同之处
### 🧠 无需额外成本就能变得更智能
Entroly的大部分排名和反馈循环在本地运行，不需要嵌入API或模型调用。
当启用可选的合成或联网学习时，预算门限旨在控制成本：
```
学习预算目标 ≤ 5% × 终身节省额
```
默认情况下，本地上下文选择和仪表盘指标足以衡量Entroly是否对你的工作负载有帮助。
### 🌐 联邦学习——实验性功能，可选加入
联邦是可选的。设计目标是共享匿名优化权重，而不是代码。
- 你的代码不应离开你的机器。共享的负载是优化统计/权重。
- 只有在你想参与跨安装学习实验时才启用。
```bash
export ENTROLY_FEDERATION=1
```
### ✂️ 响应蒸馏——输出也节省Token
LLM响应通常包含问候、含糊其辞和元评论。Entroly可以剥离常见填充内容，同时保留代码块不变。
```
之前: "当然！我很乐意帮忙。让我看看你的代码。
问题出在auth模块。希望对你有帮助！"
之后: "问题出在auth模块。"
→ 减少输出token
```
三个强度等级：`lite` → `full` → `ultra`。一个环境变量即可启用。
### 🔒 本地索引；供应商请求在你的控制下
本地索引、选择、确定性验证和仪表盘不需要云服务。如果你代理云AI供应商，该供应商仍然会收到你通过Entroly发送的选定提示内容。在仅使用本地/离线命令和本地模型端点时，可用于物理隔离环境。
---
## 适配你的技术栈
| 工具 | 设置 |
|---|---|
| **Cursor** | `entroly init` → MCP server |
| **Claude Code** | `claude mcp add entroly -- entroly` |
| **VS Code (MCP)** | `entroly wrap vscode` |
| **Codex CLI** | `entroly wrap codex` |
| **Windsurf / Cline** | `entroly init` |
| **兼容的LLM API** | `entroly proxy` → HTTP代理 `localhost:9377` |
同样支持：OpenAI API • Anthropic API • LangChain • LlamaIndex • MCP-native
---
## 基准测试
### 示例进化追踪
来自本仓库本地开发vault的示例追踪：
```
[detect] 发现缺口 → entity="auth", miss_count=3
[synthesize] StructuralSynthesizer ($0, 确定性, 无LLM)
[benchmark] skill=ddb2e2969bb0 → fitness 1.0 (1 pass / 0 fail, 338 ms)
[promote] status: draft → promoted
[spend] $0.0000 — 不变式 C_spent ≤ τ·S(t) 成立
```
### 准确率保持
在这些发布检查中，压缩后的上下文在统计上保持接近基线（gpt-4o-mini, Wilson 95% CI）：
| 基准测试 | n | 预算 | 基线 (95% CI) | 使用Entroly (95% CI) | 保持率 | Token节省 |
|---|---|---|---|---|---|---|
| NeedleInAHaystack | 20 | 2K | 100% [83.9–100%] | 100% [83.9–100%] | **100.0%** | **99.5%** |
| LongBench (HotpotQA) | 50 | 2K | 64.0% [50.1–75.9%] | 68.0% [54.2–79.2%] | **106.2%** | **85.3%** |
| Berkeley Function Calling | 50 | 500 | 100% [92.9–100%] | 100% [92.9–100%] | **100.0%** | **79.3%** |
| SQuAD 2.0 | 50 | 100 | 78.0% [64.8–87.2%] | 76.0% [62.6–85.7%] | **97.4%** | **39.3%** |
| GSM8K | 100 | 50K | 85.0% [76.7–90.7%] | 86.0% [77.9–91.5%] | **101.2%** | pass-through¹ |
| MMLU | 100 | 50K | 82.0% [73.3–88.3%] | 85.9% [77.8–91.4%] | **104.7%** | pass-through¹ |
| TruthfulQA (MC1) | 100 | 50K | 72.0% [62.5–79.9%] | 73.7% [64.3–81.4%] | **102.4%** | pass-through¹ |
> ¹ **pass-through**: 上下文已在预算范围内，Entroly保持不变。置信区间在这些运行中重叠；结果因模型、数据集、提示形状和token预算而异。
### Entroly与其他压缩方法对比（长上下文）
| 方法 | 保持率 | Token削减 | 架构 / 权衡 |
|---|---|---|---|
| **Entroly** | **100–106%** | **85–99%** | **极快（~80ms）。** 片段级背包算法保持完美的逐字结构保真度。 |
| Token级神经剪枝 | ~98–99% | 80–95% | **高开销。** 需要运行本地Transformer。Token级删除会破坏代码语法。 |
| 基于规则的逐字压缩 | ~100% | 50–70% | **高保真度。** 但Token削减较低。 |
| 注意力感知压缩 | 95%+ | 26–54% | **准确率稳健。** 但Token削减较低。 |
复现：`python -m bench.accuracy --benchmark all --model gpt-4o-mini --samples 100`
### CI/CD集成
在每个PR中运行token成本检查——在上线前捕获回退：
```yaml
- name: Check Entroly token budget
run: pip install entroly && entroly batch --budget 8000 --fail-over-budget
```
---
## 实时观看运行——即时通知
三个聊天集成开箱即用。实时查看每次缺口检测、技能合成和梦境循环胜利：
```bash
export ENTROLY_TG_TOKEN=... # Telegram（双向：/status /skills /gaps /dream）
export ENTROLY_DISCORD_WEBHOOK=... # Discord
export ENTROLY_SLACK_WEBHOOK=... # Slack
```
---
## 可移植技能（agentskills.io）
Entroly创建的技能不会被锁定。导出为开放的agentskills.io v0.1规范：
```bash
node node_modules/entroly-wasm/js/agentskills_export.js ./dist/agentskills
python -m entroly.integrations.agentskills ./dist/agentskills
```
每个导出的技能都带有 `origin.token_cost: 0.0`——零成本来源也跟随传递。
---
## 完全对等：Python & Node.js
两个运行时功能完整。相同引擎，相同vault，相同学习循环：
| 能力 | Python | Node.js (WASM) |
|---|---|---|
| 上下文压缩 | ✅ | ✅ |
| 自我进化 | ✅ | ✅ |
| 梦境循环 | ✅ | ✅ |
| 联邦 | ✅ | ✅ |
| 响应蒸馏 | ✅ | ✅ |
| 聊天网关 | ✅ | ✅ |
| agentskills.io导出 | ✅ | ✅ |
---
## 深入了解
架构、21个Rust模块、3分辨率压缩、来源保证、RAG对比、完整CLI参考、Python SDK、LangChain集成 → **[docs/DETAILS.md](../DETAILS.md)**
---
使用本地、证据感知的工具测量和减少浪费的上下文token。
npm install -g entroly && entroly | pip install entroly && entroly go
讨论 •
问题 •
Apache 2.0 许可证