https://github.com/TokenRollAI/cc-plugin

核心实现:

1. Scout Agnet (做大量的读取, 并且最终组织为一个精简高价值的输出): https://github.com/TokenRollAI/cc-plugin/blob/main/agents/scout.md
2. Scout Command(强化 Agent 的调用/并行调用): https://github.com/TokenRollAI/cc-plugin/blob/main/commands/withScout.md

原理

https://docs.claude.com/en/docs/claude-code/sub-agents

sub-agent 的上下文非常独立, 不影响主 agent 的进行. 非常适合做大量的 读 -> 总结 的操作.

正如帖子所说: https://linux.do/t/topic/1031049

claude code 的核心问题是: 用超量的上下文解决问题, 在小规模问题上良好, 在中大型项目上表现容易爆上下文.

或者说: 全量读带来的冗余上下文.

注意: 这里的冗余指的是对主 Agent 的上下文冗余.

这件事情非常适合放在 subagent 里解决!

效果如下:

效果

同样的问题:项目中的 Operator 有什么作用? 数据存储和流转是怎么实现的?

使用 subagent: 29K

> /context Context Usage claude-sonnet-4-5-20250929 17k/200k tokens (9%) System prompt: 2.3k tokens (1.2%) System tools: 12.1k tokens (6.0%) Custom agents: 120 tokens (0.1%) Memory files: 2.6k tokens (1.3%) Messages: 8 tokens (0.0%) Free space: 183k (91.4%) 

未使用 subagent: 83K

> /context Context Usage claude-sonnet-4-5-20250929 83k/200k tokens (42%) System prompt: 2.3k tokens (1.2%) System tools: 12.1k tokens (6.0%) Custom agents: 120 tokens (0.1%) Memory files: 2.6k tokens (1.3%) Messages: 66.0k tokens (33.0%) Free space: 117k (58.5%) 

结论

去除掉初始 context 占用: 17K

subagent 方案增加主 agent context: 12K 原始方案增加 context: 70K

节约上下文: 83% !

TODO

1. 基于 LSP 的 symbol 粒度信息获取
2. 更好的任务划分, 增加并行度.

可以自行体验下, 目前看在我的工作项目中效果不错.

点点 Star!