Claude Code 工具棧的新方向：記憶、壓縮、簡化與 LLM Wiki
這篇 Threads 很短，只列了四個東西：claude-mem、rtk、caveman、llm-wiki。但這組合其實是一個很清楚的 Claude Code / coding agent 工具棧方向：讓 agent 不只會寫 code，而是更會長期工作。
-
claude-mem claude-mem 是 Claude Code plugin，會自動捕捉 coding session 中 Claude 做過的事、用 AI 壓縮成 semantic summaries，並在未來 session 注入相關上下文。它解的是「agent 斷線就失憶」問題。README 強調 persistent memory、progressive disclosure、skill-based search、web viewer、privacy control、citations。
-
rtk rtk 是 Rust 寫的 CLI proxy，目標是把常見 dev command 的輸出在進入 LLM context 前先壓縮，宣稱可省 60-90% tokens。它會把 git status、git diff、test output、ls/tree、grep/rg 等輸出轉成 agent 更容易消化的精簡格式。這解的是「terminal output 太吃 context」問題。
-
caveman caveman 的核心很直接：why use many token when few token do trick。它是一個 Claude Code skill / 多 agent 工具，用 caveman-style 低詞彙密度溝通，主打 token 節省與更短指令。這不一定適合所有正式工作，但概念有價值：agent communication protocol 不需要像人類文章一樣冗長。
-
Karpathy LLM Wiki Karpathy 的 llm-wiki 不是工具，而是一種知識庫模式：不要只做 RAG，每次查詢才從 raw documents 重新拼答案；而是讓 LLM 增量維護一個 persistent wiki。Raw sources 是真相來源，wiki 是 LLM 生成與維護的結構化 markdown，schema / AGENTS.md / CLAUDE.md 是維護規則。每次 ingest、query、lint 都會讓知識庫變得更好。
這四個合在一起，剛好對應 agent 長期工作的四個瓶頸：
- 記憶：claude-mem 讓 session 可累積。
- 成本：rtk / caveman 降低 token 消耗。
- 知識：llm-wiki 讓知識不是每次重新 RAG，而是持續編譯。
- 操作紀律：透過 skills / schema / hooks，把 agent 行為制度化。
對 BigIntTech 的啟發很直接：我們已經有 Allen KB、skills、memory、agent workspace，接下來要做的不是單純塞更多記憶，而是建立「可維護的知識編譯層」。每個專案應該有 raw sources、wiki、schema、log、lint 流程。Agent 不只回答問題，也要持續整理、更新、發現矛盾、補 cross-links。
我的判斷：coding agent 的下一輪競爭，不只是模型誰比較會寫 code，而是誰的工作環境能讓 agent 記得久、花得少、查得準、累積得起來。claude-mem、rtk、caveman、llm-wiki 各自很小，但合在一起就是「agent operating system」的雛形。
來源：