Headroom 是一个可移植的 Token 精简技能（portable token-reduction skill）。它的目标是教会任意编程智能体在上下文内应用 Headroom 的压缩技术，且不要求安装 Headroom 二进制文件。
按用途来看，该技能针对的是编程智能体在长会话中因工具输出、日志、搜索结果、源代码和对话历史不断堆积而导致的上下文膨胀问题。它给出的不是通用压缩算法，而是一套按内容类型选择变换方式的选择式压缩方法。
主要能力包括五类变换。对 JSON 对象或字典数组（工具结果、API 响应）使用 SmartCrusher，对应脚本 scripts/smart_crusher.py；对构建与测试日志（pytest、npm、cargo、make）使用 LogCompressor，对应 scripts/log_compressor.py；对 grep/ripgrep/ag 输出（file:line:content）使用 SearchCompressor，对应 scripts/search_compressor.py；对源代码（Python、JS、TS、Go、Rust、Java、C/C++）使用 CodeCompressor，对应 scripts/code_compressor.py；对超出上下文预算的对话历史使用 RollingWindow，对应 scripts/context_manager.py。此外，对模型准备写回的内容提供 Output Shaper（L2），位于 prompts/verbosity_steering.md。若某个工具结果短于约 200 tokens，则应跳过压缩，因为开销不划算。
使用方式上，技能强调“粘贴前先压缩”：在把超过约 200 tokens 的工具结果粘贴进下一条消息前，运行对应的辅助脚本，或在没有脚本时手工套用相应启发式，并在叙述中引用脚本与压缩结果，例如“Compressed 1,432 → 187 tokens with SmartCrusher（保留前 3、后 2、所有错误、按 BM25 取与查询最相关的前 5）”。技能还列出七条核心规则：粘贴前压缩；绝不丢弃错误（错误、堆栈跟踪、is_error: true 结果和 FAILED 行必须 100% 保留）；对数组、日志和搜索结果始终保留前 3 与后 2 项；稳定前缀，构建提示时保持系统提示与首个用户轮次逐字节一致，把时间戳、会话 ID 等动态内容移到提示尾部以保持提供方 KV 缓存热度；超预算时从最旧端成对丢弃完整的 tool_call + tool_result，绝不拆分，绝不丢弃系统提示与最后 2 个用户轮次；塑造自身输出，默认详细度为 L2，用户要求简洁时降到 L3，绝不复述用户已能看到的工具结果；保持可逆，压缩工具结果时把原文写入 .headroom-cache/<sha256>.txt 并在叙述中给出 SHA（CCR key）。
技能说明其压缩是“选择”而非“打包”：不运行 gzip，而是选择保留哪些条目、行或节点，并输出更短的、仍保留 LLM 回答问题所需信息的表示，原文始终可从 CCR 缓存取回。选择启发式按优先级为：错误始终保留；前 N 项保留分页/设置上下文；后 N 项保留近期性；异常值（数值数组中偏离均值 >2σ，或字段与邻居差异显著）；相关性（按 BM25 与当前问题的 top-K）；变化点（状态翻转、计数器重置等字段值转变处）；以及剩余部分的统计代表性样本。输出 Token 塑造默认等级为 L2，共五级 L0 关闭、L1 跳过客套、L2 为 L1 加不复述屏幕上已有代码/输出并按 path:line 引用（默认）、L3 为 L2 加只给结论、L4 为片段与最小 Token；并配合“effort routing”：若上一轮是 is_error: false 的工具结果且无新用户请求，属于机械延续，以 L3 回复并跳过深度推理；若上一轮是错误或新问题，则保持全力。
技能文件结构为：AGENTS.md 通用智能体规则（应先读）；CLAUDE.md 面向 Claude Code / Cursor 的同规则副本；docs/techniques.md 各变换深入讲解与示例；docs/integrations.md 各智能体配置（Hermes、Claw、Codex、Cursor、Aider、Goose、Continue、OpenHands、vibe、Copilot CLI）；docs/reversible-ccr.md 磁盘 CCR 缓存约定；scripts/ 纯 Python 标准库辅助脚本，无需 pip 安装；prompts/ 输出塑造用系统提示片段；examples/ 各变换的前后对比。
安全规则包括：绝不丢弃用户或助手文本（工具结果可压缩，人类消息不可）；绝不拆分 tool_call / tool_result 对；解析失败即无操作，输入无法解析为预期类型时原样传递；始终保留近期性（最后 N 轮，默认 2 个用户轮次，即使重要性低也不丢弃）；始终保留系统提示；100% 保留错误；幂等，对已压缩输出再次压缩应为无操作或近似无操作。该技能是 chopratejas/headroom（作者 Tejas Chopra 及贡献者，Apache 2.0 许可）技术的可移植重实现，完整署名见 NOTICE 与 README.md 的 Credits 部分；上游项目更快、更准且基于机器学习，条件允许时可安装上游。关于该技能的具体收费、价格、平台支持细节与效果数据，暂未提供。