# Analysez vos résultats IA

Headroom réduit l'utilisation des jetons de 60 % à 95 % en compressant les fichiers journaux, les sorties des outils et les morceaux de données contextuelles (morceaux RAG) envoyés à de grands modèles de langage (LLM). Cet outil basé sur Python offre différentes options d'intégration en tant que serveur de bibliothèque, de proxy et de Model Context Protocol (MCP).

- ★ 7 746
- GitHub Trending · 2026-06-03

## Ce que ça vous apporte
- Réduit l'utilisation des pièces de 60 % à 95 %.
- Protège la confidentialité en compressant les données localement.
- Fournit une compression rappelable sans perdre les données originales.

## Installation
**Installation du paquet**

```
pip install "headroom-ai[all]"          # Python
npm install headroom-ai                 # Node / TypeScript
```


## Exécution
**Sélection du mode et démarrage**

```
headroom wrap claude                    # wrap a coding agent
headroom proxy --port 8787              # drop-in proxy, zero code changes
```

**Contrôle des performances**

```
headroom perf
```


## Si vous ne codez pas
Je souhaite optimiser la consommation de données contextuelles et de fichiers journaux par mon agent IA à l'aide de l'outil Headroom. J'ai terminé l'installation avec la commande "pip install "headroom-ai[all]"" dans l'environnement Python. Comment dois-je configurer les commandes « headroom wrap claude » ou « headroom proxy --port 8787 » pour réduire la quantité de jetons utilisés par mon agent ? De plus, comment dois-je interpréter les données d'épargne que j'obtiens avec la commande « headroom perf » ?

## Termes liés du glossaire

## Liens
- Dépôt GitHub →
- Lire en turc →

---
Source : TreScout Découvrir · https://trescout.com/fr/discover/headroom/