Анализ Fable:

Отвечу как эксперт по инженерии LLM-агентов и оптимизации контекста, с опытом внедрения agentic-инструментов в enterprise-командах.

TL;DR: rtk — прокси между shell и агентом, который сжимает вывод CLI-команд до попадания в контекст. Экономия реальная (в среднем 60–90% на типовых командах), риски — потеря сигнала при агрессивной фильтрации и неполное покрытие (встроенные тулы Claude Code хук обходят). Для терминал-центричных воркфлоу — почти чистый выигрыш, для универсального стандарта команды — с оговорками.

Как это работает

rtk фильтрует и сжимает вывод команд до того, как они попадут в контекст LLM. Один Rust-бинарник, 100+ поддерживаемых команд, <10ms оверхеда. [github](https://github.com/rtk-ai/rtk) Четыре стратегии: умная фильтрация шума, группировка похожих элементов, обрезка избыточности и дедупликация повторяющихся строк логов. [github](https://github.com/rtk-ai/rtk) Ключевой механизм для Claude Code — PreToolUse-хук, который прозрачно перехватывает Bash-команды и переписывает их в rtk-эквиваленты до выполнения. [github](https://github.com/rtk-ai/rtk)

Плюсы

Экономия ощутимая: типовая 30-минутная сессия Claude Code — ~118K токенов на рутинных командах против ~24K с rtk (-80%), [github](https://github.com/rtk-ai/rtk) причём тесты жмутся сильнее всего — cargo test при падении с 200+ строк до ~20: видно какие тесты упали и почему, без чтения 13 прошедших. [DEV Community](https://dev.to/arshtechpro/how-rtk-reduces-llm-token-usage-for-ai-coding-agents-2kfd)

Это не только про деньги — это про качество работы агента. Меньше шума → медленнее заполняется контекст → реже compaction → агент дольше держит нить задачи. Когда контекст переполняется, агент перезапускается и теряется нить; на flat-rate планах rate-лимиты наступают на 40% быстрее. [RTK](https://www.rtk-ai.app/)

Продумана деградация: при падении команды rtk сохраняет полный нефильтрованный вывод на диск, чтобы LLM мог его прочитать без повторного запуска. [github](https://github.com/rtk-ai/rtk) Это снимает главный страх «а вдруг отфильтровали важное».

Зрелость: 64.9k звёзд, 216 релизов, Apache 2.0, телеметрия выключена по умолчанию и требует явного opt-in. [github](https://github.com/rtk-ai/rtk)

Минусы и подводные камни

Главная дыра в покрытии: хук работает только на Bash-вызовах; встроенные тулы Claude Code — Read, Grep, Glob — его обходят и не переписываются. [github](https://github.com/rtk-ai/rtk) Если агент активно использует нативные инструменты чтения файлов (а современный Claude Code это делает много), значительная часть расхода токенов остаётся нетронутой. Один аналитик прямо пишет, что этого одного факта достаточно, чтобы дисквалифицировать RTK как универсальный дефолт для многих инженерных организаций; правильная стратегия — выборочная стандартизация, а не тотальный rollout. [Firstaimovers](https://radar.firstaimovers.com/should-you-standardize-rtk-for-claude-code-yet)

Риск потери сигнала. Заявление вендора «фильтруется только шум, ошибки сохраняются полностью» — это claim, не гарантия. На нетиповых выводах (кастомные тест-раннеры, нестандартные форматы логов) фильтр может срезать контекст, который модели был нужен, и агент пойдёт перепроверять — сжигая токены на re-read. Это ровно тот антипаттерн, который сообщество описывало для агрессивных «сжимателей» контекста: агент теряет доверие к неполным данным и уходит в циклы перепроверки. [Medium](https://batnamv.medium.com/token-inflation-nightmare-are-your-claude-ai-hacks-actually-burning-your-cash-90ade0761640)

Плюс мелочи: на нативной Windows хук не работает (только CLAUDE.md fallback), полная поддержка — через WSL, [DEV Community](https://dev.to/arshtechpro/how-rtk-reduces-llm-token-usage-for-ai-coding-agents-2kfd) и на crates.io есть коллизия имён с другим пакетом rtk. [github](https://github.com/rtk-ai/rtk)

Влияние на качество работы LLM — мой вердикт