Axe: Ein 12-MB-CLI für Single-Purpose-LLM-Agenten

Was Axe ist
Axe ist eine 12 MB große Go-Binärdatei mit zwei Abhängigkeiten (cobra, toml), die KI-Frameworks durch einen Unix-inspirierten Ansatz für LLM-Agenten ersetzt. Anstatt lang laufender Chatbot-Sitzungen führt es zielgerichtete Agenten aus, die in TOML-Konfigurationsdateien definiert sind. Jeder Agent hat eine spezifische Aufgabe wie Code-Review, Log-Analyse oder das Schreiben von Commit-Nachrichten.
Kernfunktionen
- TOML-basierte Konfiguration: Deklarative, versionskontrollierbare Agentendefinitionen mit System-Prompts, Modellauswahl, Skill-Dateien und Kontextdateien
- Stdin-Piping:
git diff | axe run reviewerfunktioniert direkt - Sub-Agenten-Delegation: Agenten können andere Agenten über LLM-Toolnutzung aufrufen, mit Tiefenbegrenzung und paralleler Ausführung
- Persistenter Speicher: Zeitgestempelte Markdown-Logs tragen Kontext über mehrere Ausführungen hinweg, mit LLM-unterstützter Garbage Collection
- Multi-Provider-Unterstützung: Funktioniert mit Anthropic, OpenAI, Ollama (lokale Modelle) oder jedem models.dev-Format
- Integrierte Tools: Websuche, URL-Abruf und pfadgeschützte Dateioperationen (lesen, schreiben, bearbeiten, auflisten), die auf das Arbeitsverzeichnis des Agenten beschränkt sind
- MCP-Unterstützung: Kann jeden MCP-Server mit Agenten verbinden
- Skill-System: Wiederverwendbare Anweisungssätze, die von Agenten gemeinsam genutzt werden
- JSON-Ausgabe: Strukturierte Ausgabe mit Metadaten für Skripting
- Dry-Run-Modus: Überprüfen des aufgelösten Kontexts ohne LLM-Aufruf
Installation & Einrichtung
Erfordert Go 1.24+. Installation über:
go install github.com/jrswab/axe@latestOder aus dem Quellcode bauen:
git clone https://github.com/jrswab/axe.git
cd axe
go build .Konfiguration initialisieren:
axe config initErstellt eine Verzeichnisstruktur unter $XDG_CONFIG_HOME/axe/ mit Beispiel-Skills und einer Standard-config.toml für Provider-Anmeldedaten.
Anwendungsbeispiele
Einen Agenten erstellen und ausführen:
axe agents init my-agent
axe agents edit my-agent
axe run my-agentDaten von anderen Tools pipen:
git diff --cached | axe run pr-reviewer
cat error.log | axe run log-analyzerBeispiel-Agenten aus dem examples/-Verzeichnis kopieren:
cp examples/code-reviewer/code-reviewer.toml "$(axe config path)/agents/"
cp -r examples/code-reviewer/skills/ "$(axe config path)/skills/"
export ANTHROPIC_API_KEY="your-key-here"
git diff | axe run code-reviewerDocker-Bereitstellung
Image bauen:
docker build -t axe .Multi-Architektur-Builds (linux/amd64, linux/arm64) über buildx:
docker buildx build --platform linux/amd64,linux/arm64 -t axe:latest .Einen Agenten mit eingebundener Konfiguration ausführen:
docker run --rm \
-v ./my-config:/home/axe/.config/axe \
-e ANTHROPIC_API_KEY \
axe run my-agentStdin mit -i-Flag pipen:
git diff | docker run --rm -i \
-v ./my-config:/home/axe/.config/axe \
-e ANTHROPIC_API_KEY \
axe run my-agentFür wen es gedacht ist
Entwickler, die spezifische KI-Aufgaben ohne Framework-Overhead automatisieren möchten, insbesondere solche, die bereits Unix-Tools, Git-Hooks, Cron oder CI-Pipelines verwenden.
📖 Read the full source: HN LLM Tools
👀 Siehe auch

log-context-mcp: MCP-Tool reduziert den Log-Token-Verbrauch für Claude-Debugging um 96%
log-context-mcp ist ein MCP-Tool, das Logdateien vorverarbeitet, bevor sie in Claudes Kontext gelangen. Es dedupliziert Zeilen, gruppiert Stack-Traces und entfernt Rauschen, um die Token-Nutzung zu reduzieren. Ein Test mit einem 2000-Zeilen-Apache-Log zeigte eine Reduktion von 96,5 %, während die Ursachen korrekt identifiziert wurden.

Codeflash-Analyse: 118 Performance-Bugs in zwei von Claude Code verfassten PRs gefunden
Codeflash maß die Leistung von zwei Hauptfunktionen, die mit Claude Code erstellt wurden, und stellte fest, dass 118 Funktionen bis zu 446-mal langsamer liefen als nötig. Die Analyse deckte Muster ineffizienter Algorithmen, redundanter Berechnungen, fehlender Zwischenspeicherung und suboptimaler Datenstrukturen auf.

OpenClaw Memos Plugin behebt Speicherübergabeprobleme in KI-Codierungsagenten
Ein Reddit-Nutzer teilt mit, wie der Claude-Code-Leck Probleme mit dem Speicherübergang bei KI-Codierungsagenten aufzeigte, bei denen aufgeblähte Transkripte während des Modellwechsels Probleme verursachen. Sie implementierten das Memos-Plugin in OpenClaw mit einer selektiven Abrufstrategie, um kürzliche Arbeiten zu komprimieren und veraltete Tool-Aufrufe zu entfernen.

Reduzierung der Latenz multimodaler Agenten durch Weglassen des Screenshot-Verlaufs
Ein Entwickler fand heraus, dass das Weglassen früherer Screenshots aus multimodalen Agentenanfragen und das Ersetzen von Base64-Bilddaten durch "[Bild ausgelassen]"-Zeichenketten die Latenz erheblich reduziert, während die Leistung erhalten bleibt. Das Experiment wurde mit Claude durchgeführt und auf GitHub dokumentiert.