一句话看懂：Gobstopper 是一款面向 Claude Code、Codex 等编程智能体的本地上下文压缩代理，通过自动摘要旧对话轮次来削减每次请求携带的 token 量，官方给出的回放数据显示一次任务会话可减少约 29% 的 token 消耗，且不额外调用模型、不改动原始会话文件。
事件核心：发生了什么
Gobstopper 的定位是“代理层”工具：用户通过 gobstopper proxy run -- claude 之类的命令启动 Claude Code 或 Codex，请求会先经过它。小请求原样放行；大请求则保留系统提示、首个任务和最近几轮对话的原文，把更早的轮次替换为摘要。它默认阈值约为 128,000 个估算 token（按每 4 个字符约 1 个 token 折算），使用本地规则完成摘要，不产生额外模型调用，会话文件保持原样。官方披露的一段 Claude Code 回放会话显示：在第 383 次请求时，不经过代理发送约 491,135 token，经过代理后约为 68,581 token，期间累计摘要 10 次。工具还提供 detect、plan、apply、search-snapshot、undo 等命令，支持先预览压缩效果、再生成副本、并按哈希回溯原始快照。目前 Claude Code 与 Codex 的路由经过实机验证，其他智能体（如 opencode、Crush、Aider、Goose）需要可配置的 provider 地址接入。
为什么重要
上下文窗口与 token 成本是当前编程智能体落地的核心瓶颈之一。长会话中，工具输出和历史轮次会迅速堆积，既推高推理成本，也容易稀释模型对当前任务的注意力。Gobstopper 的思路是把“上下文管理”从模型侧挪到代理侧，用可回滚的本地压缩替代不可逆的截断。它压缩的是工具输出等陈旧内容，而不是简单丢弃，这在一定程度上回应了开发者对“摘要后丢事实”的担忧。目前公开信息显示，这类工具尚未成为主流工作流，但它指向一个趋势：围绕大模型 API 的中间层工具正在从提示词管理扩展到 token 经济性优化。
对用户/开发者/创作者的影响
对高频使用 Claude Code、Codex 的开发者而言，最直接的价值是账单和响应延迟的下降，官方提到的 Terminal-Bench 2.1 场景中“任务解决数量接近、发送 token 减少 29%”。对团队来说，快照可搜索、可撤销的设计，意味着压缩不再是黑盒操作，便于审计和恢复早期细节。需要注意的是，Gobstopper 明确提示：复制检查只覆盖记录链接、顺序和工具调用配对，并不能保证服务商一定能恢复会话、保留所有任务事实，也无法保证计费结果。因此它更适合作为成本优化手段，而非关键任务的唯一记忆来源。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
一是压缩策略的实际泛化能力：本地规则能否在多样化编程任务中稳定保留关键事实，还是需要引入小型模型辅助判断。二是生态接入范围：目前仅 Claude Code 和 Codex 经过实机验证，若其他智能体接入成本高，工具价值会被限制在少数用户群。三是商业模式与合规边界：代理层介入 API 请求后，token 计费口径、服务商条款是否允许此类改写，仍需观察。
