KI-Werkzeug

Paritok Review

Paritok ist ein nicht-destruktives Kompressions-Gateway für AI coding agents, das die Kosten für Eingabetoken reduziert und die Sitzungslängen verlängert, ohne die Funktionalität des Agenten zu verändern.

shipped 10. Aug. 2026agentspaid

agents

Warum es wichtig ist

1Reduziert die Kosten für Eingabetoken um 25 % in der ersten Runde und um über 85 % in kontextgesättigten Sitzungen.

2Ermöglicht etwa 3-mal mehr Runden innerhalb desselben Kontextfensters für AI coding agents.

3Verwendet ein code-natives 4B-Kompressionsmodell und einen Embedding-basierten Tool-Filter (BAAI/bge-small-en-v1.5, ~130MB).

4Unterstützt die Integration mit Claude, Code Cursor, Codex, OpenHands und jedem OpenAI-kompatiblen Upstream über eine Umgebungsvariable.

Spezifikationen

API-Dokumentation

Dokumentation ansehen →

API verfügbar

Ja, öffentliche API

overview

Was ist Paritok?

Paritok ist ein nicht-destruktives Kompressions-Gateway-Tool, das von Paritok entwickelt wurde und es Entwicklern und Teams, die AI coding agents verwenden, ermöglicht, die Kosten für Eingabetoken zu reduzieren und die Sitzungslängen zu verlängern. Es fungiert als Zwischenschicht, die Anfragen optimiert, bevor sie die Large Language Model (LLM) API erreichen, wodurch deutlich längere, komplexere Codierungssitzungen innerhalb desselben Kontextfensters ermöglicht werden.

Paritok erreicht seine Hauptfunktion durch drei Mechanismen: Tool-Schema-Filterung, Inhaltskompression und Historien-Zusammenfassung. Die Tool-Schema-Filterung, implementiert in v1.2.0 (19. Juli 2026), filtert Tool-Schemas semantisch und reduziert einen typischen Tool-Block von ca. 29.000 Tokens auf 8.000 Tokens pro Runde. Die Inhaltskompression, die Paritoks Open-Source, code-natives 4B-Modell (veröffentlicht am 14. Juli 2026) nutzt, reduziert Dateilesevorgänge, Tool-Ausgaben und Nachrichtenverlauf auf etwa 26 % ihrer ursprünglichen Größe. Für lange, mehrstufige Sitzungen fasst Paritok veraltete Historie zusammen, um ein Überlaufen des Kontextfensters zu verhindern. Das Paritok Gateway v1.0.0 wurde am 15. Juli 2026 unter der Apache-2.0-Lizenz als Open Source veröffentlicht.

features

Hauptmerkmale von Paritok

Paritok bietet eine Reihe von Funktionen, die darauf ausgelegt sind, die Interaktionen von AI coding agents mit LLMs zu optimieren, wobei der Schwerpunkt auf Token-Effizienz und Sitzungslanglebigkeit liegt. Die Kernfunktionalität dreht sich um nicht-destruktive Kompression und intelligentes Kontextmanagement.

Nicht-destruktive Kompression von Tool-Schemas, Dateilesevorgängen, Tool-Ausgaben und Konversationsverlauf.
On-the-fly-Kompression für AI coding agents, die als transparentes Gateway fungiert.
Einfache Integration über eine Umgebungsvariable (z.B. ANTHROPIC_BASE_URL) für Kompatibilität mit verschiedenen LLM APIs.
Semantische Tool-Schema-Filterung, die relevante Tools im vollständigen Schema beibehält und andere 'stumpf' macht, wodurch die Token-Nutzung von ~29.000 auf ~8.000 Tokens pro Runde reduziert wird.
Inhaltskompression von Dateilesevorgängen und Tool-Ausgaben auf ca. 26 % der Originalgröße, wobei kritische Informationen wie Funktionssignaturen und Fehlerzeichenketten erhalten bleiben.
Zusammenfassung veralteter Historie zur Verwaltung der Kontextfensterkapazität in langen, mehrstufigen Sitzungen.
Unterstützung für wichtige coding agents wie Claude, Code Cursor, Codex, OpenHands und jeden OpenAI-kompatiblen Upstream.
Möglichkeit, Originalinhalte mit read_original(ref) für den exakten Byte-Abruf wiederherzustellen.
Verwendet ein kleines offenes Embedding-Modell (BAAI/bge-small-en-v1.5, ~130MB) für die lokale CPU-basierte Tool-Filterung.

use cases

Wer sollte Paritok verwenden?

Paritok wurde primär für Entwickler und Teams entwickelt, die AI coding agents nutzen und ihre Betriebskosten sowie die Effizienz ihrer Sitzungen optimieren möchten. Seine Vorteile sind in spezifischen Szenarien mit umfangreicher AI-Agenten-Interaktion am deutlichsten.

Entwickler, die AI coding agents verwenden und die Kosten für Eingabetoken für LLMs wie Claude Sonnet (3 $/M Tokens), Opus (5 $/M Tokens) oder GPT-5 (10 $/M Tokens) senken möchten.
Teams und Einzelpersonen, die längere, mehrstufige AI-Agenten-Sitzungen benötigen, insbesondere wenn die Kontextfensterkapazität ein limitierender Faktor ist.
Benutzer von AI-Agenten mit einer großen Anzahl von Tools (z.B. 40+ Tools), bei denen die Tool-Schema-Filterung erhebliche Token-Einsparungen bietet.
Fachleute, die sich mit leseintensiven oder gemischten Aufgaben wie Auditing, Q&A oder dem Debuggen großer Codebasen mit AI-Agenten befassen.
Organisationen, die die Leistung und Effizienz von AI-Agenten optimieren möchten, ohne die Kernfunktionalität des Agenten zu ändern.

how to use

Wie man Paritok verwendet

Paritok lässt sich als Drop-in-Proxy für bestehende coding agents integrieren und erfordert nur minimale Einrichtung. Die primäre Integrationsmethode beinhaltet die Konfiguration einer Umgebungsvariablen, um API-Aufrufe über das Paritok-Gateway zu leiten.

1Laden Sie das Paritok-Gateway und das Open-Source 4B-Modell herunter und installieren Sie es (verfügbar auf Hugging Face Hub als Paritok-4B-v1).
2Konfigurieren Sie den API-Endpunkt Ihres AI coding agents so, dass er auf das Paritok-Gateway verweist, indem Sie eine Umgebungsvariable wie ANTHROPIC_BASE_URL festlegen.
3Stellen Sie sicher, dass das selbst gehostete Gateway läuft und die Speicheranforderung von ~2,5 GB bei Q4 für das 4B-Modell (kompatibel mit jeder 8GB GPU-Karte) erfüllt und die CPU für den Tool-Filter verwendet wird.
4Für den gehosteten GPU-Dienst leiten Sie die API-Aufrufe Ihres Agenten an den verwalteten Paritok-Endpunkt weiter.
5Überwachen Sie die Token-Nutzung und die Verbesserungen der Sitzungslänge über das Paritok-Dashboard (für den gehosteten Dienst) oder durch Beobachtung der LLM API-Abrechnung.
6Verwenden Sie den read_original(ref) API-Aufruf, wenn der vollständige, unkomprimierte Inhalt vom Agenten zu irgendeinem Zeitpunkt benötigt wird.

pricing

Paritok Preise & Pläne

Paritok bietet ein duales Preismodell, das sowohl eine kostenlose selbst gehostete Option als auch einen nutzungsbasierten gehosteten Dienst umfasst. Die selbst gehostete Option ermöglicht es Benutzern, das Gateway und das 4B-Modell lokal auszuführen, während der gehostete GPU-Dienst einen verwalteten Endpunkt bereitstellt.

Selbst-Host: Kostenlos. Enthält das Open-Source-Gateway und das 4B-Modell (Apache-2.0-Lizenz), erfordert ~2,5 GB bei Q4 (jede 8GB GPU-Karte) und CPU für den Tool-Filter. Support ist über GitHub und Discord verfügbar.
Gehostete GPU: 0,30 $ pro 1 Million Tokens (kostenlos bis Ende August). Dieser verwaltete, immer aktive Endpunkt eliminiert die Notwendigkeit für Benutzer, GPUs zu erwerben oder zu mieten, und bietet eine etwa 5-mal schnellere Leistung als eine RTX 4060. Er umfasst ein Nutzungs-Dashboard und Support über GitHub und Discord, wobei für den ersten Zugriff keine Kreditkarte erforderlich ist.

Pros

+Achieves significant input token savings, from 25% on the first turn to over 85% in context-saturated sessions.
+Extends the effective context window, allowing up to three times more turns within the same LLM context.
+Employs non-destructive compression, ensuring that original data can always be recalled and nothing is permanently lost.
+Offers flexible deployment options, including a free, open-source self-hosting solution and a managed hosted GPU service.
+Integrates easily with existing AI agent setups via a single environment variable, supporting various OpenAI-compatible upstreams.
+Features an embedding-based tool filter that substantially reduces tool block tokens, improving efficiency for agents with many tools.

Cons

−Requires an additional layer (gateway) in the AI agent's communication flow, potentially introducing minimal latency.
−The hosted GPU service, while offering performance benefits, incurs a usage-based cost after the initial free period.
−Self-hosting requires managing the gateway and the 4B model, including hardware resources (e.g., an 8GB GPU card).
−Primarily focused on AI coding agents, which may limit its applicability for other types of LLM interactions or agent frameworks.
−The compression model (Paritok-4B-v1) is a specialized 4B model, which might have specific performance characteristics compared to larger, general-purpose LLMs.

Ähnliche Tools

Paritok vs. Wettbewerber

Paritok hebt sich in der Landschaft der AI-Token-Optimierung durch seinen nicht-destruktiven, Drop-in-Gateway-Ansatz ab, der speziell auf AI coding agents zugeschnitten ist. Während andere Tools Kompression anbieten, bietet Paritoks integrierte Lösung für Tools, Dateien und Historie, kombiniert mit seinem architektonischen Design, ein einzigartiges Wertversprechen.

Headroom↗

Compresses various AI agent inputs like tool outputs, logs, RAG chunks, files, and conversation history before they reach the LLM.

Offers similar on-the-fly compression to Paritok but is open-source and can be integrated as a library or proxy, providing more control over the deployment environment.

LLMLingua↗

A prompt compression library that achieves significant compression ratios and speedups for LLM inputs.

Provides a programmatic library for prompt compression, offering a more direct, code-level integration compared to Paritok's potentially more integrated 'drop-in' approach, but requires more manual implementation.

OptScale AI↗

Compresses LLM inputs, trims system-prompt overhead, aligns prompt caches, and routes requests to optimize cost via a gateway.

Similar to Paritok in offering a compression engine and cost optimization, but also includes features like model routing and cache alignment, potentially providing a broader suite of cost-saving features.

Mem0On Stork

Provides persistent memory for LLM agents, storing durable facts and retrieving only relevant context to reduce repeated token usage across sessions.

Unlike Paritok's direct compression, Mem0 reduces token usage by intelligently managing and retrieving relevant context from external memory, which is a different mechanism to achieve cost savings for agents.

Mehr auf Stork