Repo-Tokens: GitHub-Aktion fügt Token-Zählbadge für LLM-Kontextfenster-Bewusstsein hinzu
Repo Tokens ist eine GitHub-Aktion, die die Tokenanzahl Ihres Codebestands berechnet und ein visuelles Badge zu Ihrer README hinzufügt, das anzeigt, wie viel des Kontextfensters eines großen Sprachmodells Ihr Repository belegt. Das Ziel ist es, die Tokengröße als sichtbare Metrik zu etablieren, ähnlich wie Bundle-Größen-Badges für JavaScript-Bibliotheken, um schlankere Codebestände zu fördern, die besser mit KI-Coding-Agenten kompatibel sind.
Funktionsweise
Die Aktion verwendet tiktoken zur Tokenisierung. Sie führt etwa 60 Zeilen Inline-Python aus und dauert etwa 10 Sekunden. Sie ist als Composite-Action implementiert.
Konfiguration und Ausgabe
Die Größe des Kontextfensters ist konfigurierbar und standardmäßig auf 200.000 Tokens eingestellt (entspricht der Größe von Claude-Modellen). Die Badge-Farbe spiegelt den Prozentsatz des konfigurierten Kontextfensters wider, den Ihr Codebestand ausfüllt:
- Grün: Unter 30 %
- Gelb: 50–70 %
- Rot: 70 %+
Die Aktion aktualisiert die README-Datei, führt aber keinen automatischen Commit der Änderungen durch, sodass Ihr Workflow die Git-Strategie steuern kann.
Diese Art von Tool ist nützlich für Entwickler, die mit KI-Assistenten arbeiten, da ein Codebestand innerhalb des Kontextfensters eines LLM es dem Agenten ermöglicht, während der Codierungsaufgaben vollständige Kenntnis der Projektstruktur und Abhängigkeiten zu bewahren.
📖 Read the full source: HN AI Agents
👀 Siehe auch
Spine Swarm: Multi-Agenten-KI-System auf visueller Leinwand für Nicht-Programmier-Projekte
Spine Swarm ist ein Multi-Agenten-System, das auf einer unendlichen visuellen Leinwand arbeitet, um komplexe Nicht-Codierungsprojekte wie Wettbewerbsanalysen, Finanzmodellierung, SEO-Audits, Pitch Decks und interaktive Prototypen abzuschließen. Das System verwendet Blöcke als Abstraktionen über KI-Modellen, die verbunden werden können, um Kontext zwischen verschiedenen Modelltypen weiterzugeben.
Claude schrieb 3.000 Codezeilen, anstatt pywikibot zu importieren – eine Fallstudie darüber, wie KI-Agenten bestehende Bibliotheken ignorieren
Ein Entwickler beauftragte Claude Code (Opus 4.7) damit, Tippfehler auf Fandom-Wikis zu korrigieren. Das Modell schrieb ~3.000 Zeilen Python, die pywikibot, mwparserfromhell und RETF-Regeln neu implementierten, anstatt sie zu importieren. Der Beitrag untersucht, warum dies geschieht und wie eine zweiminütige Suche den Codebase auf 1.259 Zeilen reduzierte.
Rote Königin: Ein deterministischer Orchestrator, der Claude Code als Worker-Pool ausführt
Red Queen nutzt eine Zustandsmaschine, um Claude-Code-Subprozesse zu orchestrieren, wodurch LLM-Routing-Fehler und Token-Verschwendung durch Mega-Prompts vermieden werden.
htmLLM-124M v2 veröffentlicht: Spezialisiertes HTML/Bootstrap-Autovervollständigungsmodell
LH-Tech-AI hat htmLLM-124M v2 veröffentlicht, ein 124-Millionen-Parameter-Modell, das speziell für HTML/Bootstrap-Autovervollständigung entwickelt wurde und einen Validierungsverlust von 0,91 erreicht sowie in ~8 Stunden auf einer einzelnen T4-GPU trainiert.