SparseRead：为 AI Agent 减少无效阅读，最高省 92.9% Token、降 89% 耗时
做 Agent 的都知道上下文膨胀有多烧钱，SparseRead 这个先判断再读取的思路很实在，省 92.9% Token 的数字也够诱人。如果你在用 Claude Code 跑长任务，这套阅读预算控制机制值得抄进自己的 Harness 里。
SparseRead 是一套面向 AI Agent 的阅读控制机制，宣称在保持任务质量的前提下，最高可节省 92.9% 的 Token 消耗，并减少 89% 的运行耗时。它针对的痛点是 Agent 在处理大型代码库或长文档时，为寻找几十行有效信息而读入数万甚至数十万 Token，导致成本上升和速度变慢。
其核心思路是“不读完再压缩，而是在读取之前决定哪些内容值得进入上下文”，分三步执行：Agent 先明确阅读意图，判断哪些证据已找到、哪些缺失；再针对代码、长文档、表格等不同资料采用搜索、定位和局部读取方式，例如排查登录 Bug 时优先定位相关代码和报错日志；最后控制阅读预算，信息不足时扩大搜索范围，必要时退回完整读取。
与常见的“先塞进上下文再压缩”方案不同，SparseRead 把阅读控制做成 Agent Harness 中的一套机制，而非仅增加一个搜索工具。对于运行长程任务的 Agent 开发者来说，这套按需读取的思路可以直接参考并落地。
专治AI Agent无效阅读的工具：SparseRead，最高省92.9% Token、减少89%耗时，同时保持质量
你让Claude Code排查一个Bug，一个项目有几百个文件几十万行代码，真正有用的可能只有几十行
但是Agent为了找到几十行有效信息，可能会先消耗几万个甚至几十万个Token，最后Token消耗越来越多，运行越来越慢，成本越来越高
SparseRead给出的核心思路是，不读完再压缩，在读取之前就决定哪些内容值得进入模型上下文
具体做法是： 首先，明确阅读意图，Agent先确定当前任务需要什么信息，哪些证据已经找到，哪些还缺失，不要不加区分的读取所有内容
第二按需定位证据，针对代码、长文档、表格等不同资料，采用相应的搜索、定位和局部读取方式
比如排查登录Bug，就优先定位相关代码和报错日志，而不是说先把整个仓库读一遍
第三控制阅读预算，在外部内容进入上下文之前控制读取量，如果现有信息不足，可以继续扩大搜索范围，必要时也能退回完整读取
它最有价值的地方是，做成了Agent Harness中的一套阅读控制机制，不只是说增加一个搜索工具
与其把大量资料塞进上下文后再压缩，不如先判断这些资料到底有没有必要被读进去，尤其对长程Agent来说，有参考价值
#SparseRead #Agent上下文 #AgentHarness
This report is categorized under AITOP's "How-to" desk. Within our cross-regional analytical framework, it directly maps to AI developer toolchains, coding agents, and engineering workflows. Key entities and technical topics under continuous tracking include SparseRead, Claude Code, agents, Agent Harness.
Source attribution: curated from AIGCLINK (@aigclink).
