Entroly
Plano de controle de contexto local-first e servidor MCP para agentes de codificação de IA. Seleciona evidências sob um orçamento de tokens, mantém o conteúdo omitido byte-exatamente recuperável por meio de handles CCR e emite Recibos de Contexto auditáveis. Verifique localmente (sem chave de API): entroly verify-claims (12/12 aprovados). As economias dependem da carga de trabalho. Apache-2.0.
Documentação
Entroly — Selecione contexto de IA com recuperação auditável.
Registros de seleção com comprovante: o que foi mantido, o que foi omitido e o identificador que recupera os bytes originais exatos.
Compressão que você pode desfazer, no seu próprio repositório, com um comando — sem substituir seu modelo ou arquitetura de agente.
code --install-extension entroly.entroly-vscode · pip install -U entroly && entroly go · npx entroly
Entroly é uma camada de código aberto, local-first, de eficiência de tokens e Garantia de Contexto para IA: seleção de evidências com orçamento, compressão de contexto recuperável, recuperação de evidências com endereçamento por conteúdo e comprovantes auditáveis. Funciona com VS Code, Claude Code, Cursor, Codex, OpenClaw, GitHub Copilot, Aider e aplicativos compatíveis com OpenAI/Anthropic.
English · 简体中文 · 繁體中文 · 日本語 · 한국어 · Español · हिन्दी · Français · Deutsch · Português · Italiano · Türkçe · Tiếng Việt · Bahasa Indonesia · Polski · Nederlands · ไทย · Svenska · Čeština · Tagalog · Română
Retenção de Precisão
Experimento relatado por mantenedores historicamente, não uma garantia de qualidade. A tabela abaixo relata uma execução com orçamento de 50 mil tokens. Intervalos de confiança sobrepostos não estabelecem equivalência nem descartam degradação. Esses resultados não foram reproduzidos de forma independente aqui.
Modelo: gpt-4o-mini · Orçamento: 50 mil tokens · Wilson 95% CI · Reproduzir: python -m bench.accuracy --benchmark all
| Benchmark | n | Baseline (95% CI) | Entroly (95% CI) | Retenção | Delta do Benchmark |
|---|---|---|---|---|---|
| NeedleInAHaystack | 20 | 100.0% [83.9–100%] | 100.0% [83.9–100%] | 100.0% | Baseline |
| GSM8K | 100 | 85.0% [76.7–90.7%] | 86.0% [77.9–91.5%] | 101.2% | +1.0% |
| SQuAD 2.0 | 100 | 84.0% [75.6–89.9%] | 83.0% [74.5–89.1%] | 98.8% | -1.0% |
| MMLU (MCQ de 4 vias) | 100 | 82.0% [73.3–88.3%] | 85.0% [76.7–90.7%] | 103.7% | +3.0% |
| TruthfulQA (MC1) | 100 | 72.0% [62.5–79.9%] | 73.0% [63.6–80.7%] | 101.4% | +1.0% |
| LongBench (HotpotQA) | 100 | 57.0% [47.2–66.3%] | 59.8% [49.8–69.0%] | 104.9% | +2.8% |
A pontuação relatada do SQuAD caiu de 84% para 83%. Proporções de retenção acima de 100% podem refletir variabilidade de amostragem ou do modelo. Os intervalos exibidos são valores históricos relatados, não uma comparação pareada validada; intervalos de Wilson exigem resultados binários e não justificam incerteza para pontuações médias de crédito parcial. Estabelecer não-inferioridade requer uma tolerância predefinida, resultados pareados por tarefa, estimativas de incerteza apropriadas e tamanho de amostra adequado. Esses resultados não podem ser extrapolados para compressão mais agressiva ou outros modelos.
Qualidade da Seleção de Contexto
Corpus sintético de 19 fragmentos · orçamento de 300 tokens · 3 consultas de fixture · Reproduzir: entroly benchmark
| Métrica | RAW (FIFO ingênuo) | TOP-K (baseline local) | ENTROLY (Knapsack) |
|---|---|---|---|
| Média de fragmentos selecionados | 6.0 | 6.0 | 8.7 |
| Cobertura média de módulos | 3.0 | 3.7 | 8.7 |
| Total de capturas SAST | 0 | 0 | 3 |
Entroly vê 8.7 módulos onde TOP-K vê 3.7 — ele inclui auth, pagamentos E rate limiting. TOP-K perde o rate limiter. Metodologia completa, CIs e comandos de reprodução →
Pesquisa
Entroly inclui as seguintes implementações orientadas à pesquisa. A presença de um módulo não estabelece confiabilidade de produção, novidade matemática ou validação independente; consulte sua implementação e limitações de avaliação.
| Algoritmo | O que faz | Implementação |
|---|---|---|
| BIPT | Detecção de alucinação em nível de byte via rastreamento de proveniência inspirado em Kolmogorov | provenance_tracer.py |
| NKBE | Equilíbrio de orçamento de tokens multiagente Nash-KKT | nkbe.rs |
| Causal Context Graph | Aprendizado de feedback de fragmentos ciente de intervenção | causal.rs |
| Cognitive Bus | Roteamento de eventos ISA com prioridade de divergência KL | cognitive_bus.rs |
| Resonance Matrix | Aprendizado de valor de fragmentos pareados supermodular | resonance.rs |
| System 1 <> 2 | Ponte de crença verificada de processo duplo (proxy <> vault) | coupling.py |
O que é? · Instalação · Início rápido · Benchmarks · Perguntas
Hub de integração
Use Entroly no limite de SDK, framework, proxy, MCP, plugin ou agente. Um nome listado não é automaticamente uma afirmação de que inferência de assinatura hospedada é interceptada; economias vinculadas ao provedor existem apenas quando a solicitação atravessa uma rota controlada por Entroly.
| Caminhos diretos e testados | Caminhos guiados ou limitados |
|---|---|
| Middleware Vercel AI SDK · SDK OpenAI · SDK Anthropic | Agno · Strands Agents · CrewAI · AutoGen |
| LangChain · LiteLLM · MCP | Claude Code no Vertex AI · Claude Code no Azure AI Foundry |
| OpenClaw · OpenCode | Claude Code no VS Code · VS Code Copilot · Grok |
Abra o hub completo de integração e operações verificado →
O que é Entroly? (em linguagem simples)
Assistentes de codificação com IA têm um limite de memória. Entregue seu código inteiro e ele fica lento, caro e distraído — como dar a alguém um manual de 500 páginas quando ele só precisava da página 47.
Entroly encontra a página 47.
Ele fica entre seu código e a IA, lê tudo e repassa apenas as partes selecionadas para a pergunta. Três propriedades para avaliar na sua tarefa:
| 💰 Sua conta diminui | Menos palavras enviadas à IA significam uma fatura menor. Quanto depende do trabalho — veja os números reais abaixo. |
| 🔍 Originais recuperáveis | Recuperação com comprovante retém material de origem localmente. Recuperação exata requer que o armazenamento referenciado e os bytes de origem permaneçam disponíveis; não garante qualidade da resposta. |
| 🧾 Você pode verificar o trabalho | Cada decisão vem com um comprovante: o que foi mantido, o que foi omitido e por quê. |
| Preciso mudar meu código? Não. Em hosts com um hook de prompt verificado, | |
| Entroly executa antes do modelo planejar. Integrações somente MCP permanecem ferramentas | |
| chamáveis que um agente pode pular; tráfego de API é interceptado apenas quando é roteado | |
através do proxy Entroly. Verifique entroly activation status --json em vez de | |
| assumir que uma integração instalada está ativa. |
Preciso pagar por algo para testar? Não. Os dois comandos na seção Instalação abaixo rodam na sua própria máquina, sem chave de API, e mostram números reais no seu próprio projeto antes de conectar qualquer coisa paga. (Falta de suporte nativo do mecanismo é relatada sem baixar pacotes — veja a nota sob Instalação.)
Instalação
Não sabe qual escolher? Escolha Python. É a versão completa e o que a maioria das pessoas usa. As outras são formas alternativas de executar o mesmo mecanismo. | Plataforma | Instalação | O que você obtém | |---|---|---| | 🐍 Python (pip) — recomendado |
pip install -U entroly| Tudo: a ferramenta de linha de comando, o servidor com o qual seu editor de IA fala e a biblioteca de código | | 📦 Node / npm |npm install -g entroly| O mesmo mecanismo, sem necessidade de Python | | 🦀 Rust (build de fonte) |cd entroly-core && cargo build --release --bin entroly-rs --features proxy| Um programa autossuficiente, sem Python ou Node | | 🍺 Homebrew |brew install juyterman1000/entroly/entroly| A ferramenta de linha de comando no macOS/Linux | | 🐳 Docker |docker pull ghcr.io/juyterman1000/entroly:latest| Roda em um contêiner, nada instalado na sua máquina |
Prefere um executor de pacotes em vez de uma instalação global? Esses comandos usam os mesmos artefatos publicados em um cache de ferramentas isolado:
# Node / WASM runtime
npx -y entroly@latest --help
pnpm dlx entroly@latest --help
bunx entroly@latest --help
# Complete Python runtime
uvx --from entroly entroly --help
pipx run --spec entroly entroly --help
Os comandos Node fornecem o CLI WASM local. Os comandos Python fornecem o CLI completo, SDK, MCP, proxy, verificação e caminho de mecanismo nativo descritos acima. O fluxo de trabalho de lançamento do Entroly testa todos os cinco executores contra a versão exata antes que um lançamento seja considerado completo.
Agora verifique se funcionou — grátis, sem chave de API:
cd /your/repo
entroly verify-claims
entroly simulate
Ambos rodam localmente. Nenhum chama uma IA ou custa algo.
Reparo de pacote em tempo de execução está desativado por padrão. Se o mecanismo nativo estiver ausente,
a seleção condicionada à consulta não está disponível e os números de redução são rotulados
como não obtidos. Instale-o explicitamente com python -m pip install -U entroly-core, chame
entroly.repair() do Python ou defina ENTROLY_ENABLE_SELF_HEAL=1 para permitir
reparo na inicialização. Isso baixa através do índice de pacotes configurado (normalmente
PyPI). ENTROLY_NO_SELF_HEAL=1 e ENTROLY_AIR_GAP=1 substituem o consentimento de reparo.
Veja Privacidade e segurança de dados de recuperação.
Extras (entroly[proxy], entroly[native], entroly[full]), o binário Rust
autônomo e etapas de desinstalação: Mecanismo e opções de instalação.
Contribuindo a partir da fonte? Siga a configuração de desenvolvimento
reproduzível. Instalação local e a suíte de testes normal não precisam de chave de API; .env.example documenta
apenas configurações opcionais de workspace, offline, provedor e proxy.
Início rápido — por como você trabalha
Só quer que funcione?
pip install -U entroly && entroly go— é só isso. Ele encontra seu editor, se configura sozinho e mostra um painel de antes/depois. O resto desta tabela é para configurações específicas. | Sua situação | Faça isto | O que você ganha | |---|---|---| | 🟢 "Só quero ligar." (usuário de pip / Python) |pip install -U entroly && entroly go| Detecta automaticamente seu editor, envolve seu agente, abre um painel mostrando tokens antes e depois | | "Uso Node, não Python." (usuário de npm) |npm install -g entroly && entroly init| Mesmo mecanismo, nada de Python necessário | | "Quero um binário único, sem runtime." (usuário de Rust) |cargo build --release --bin entroly-rs --features proxy(deentroly-core/) | Um único programa nativo sem dependências | | "Uso Claude Code, Codex, Gemini CLI ou plugins de agente do VS Code." (usuário de plugin) | Instale o plugin/extensão Entroly para esse host, envie um prompt e executeentroly activation status --json| Um hook de prompt confiável realiza seleção local limitada antes do planejamento; um recibo prova que o hook foi executado | | "Uso Cursor com configurações de terceiros habilitadas." |entroly activation install --host cursor --project .| Mescla um hook de prompt reversível compatível com Claude; o MCP nativo do Cursor permanece apenas consultivo | | "Uso Kiro IDE 1.x ou CLI 3.x." |entroly activation install --host kiro --project .| Instala um hook de projeto reversívelPromptSubmitcuja saída padrão é adicionada ao contexto do agente | | "Uso outro host MCP." |entroly attach create --client claude --project . --ttl 4h --installou o comando específico do cliente na matriz de compatibilidade | Ferramentas Entroly e recibos com escopo definido; o modelo ainda pode ignorar o MCP, a menos que o host tenha um hook de ciclo de vida verificado | | "Estou criando meu próprio aplicativo em Python." (usuário de SDK) |from entroly import compress, compress_messages, optimize| Chame diretamente do seu código, em qualquer lugar onde você monta um prompt |
Usuários de MCP no Cursor também podem usar este link de instalação com um clique (sem
conta de marketplace necessária): Adicionar Entroly ao Cursor.
| "Tenho uma chave de API e meu próprio aplicativo." (usuário de proxy) | entroly proxy → aponte ANTHROPIC_BASE_URL / OPENAI_BASE_URL / GOOGLE_GEMINI_BASE_URL para localhost:9377 | Cada requisição é otimizada no caminho — sem mudanças de código do seu lado |
Resgate de sessão fora de controle — automático no proxy, acionável em qualquer outro lugar.
Quando uma sessão de agente longa se aproxima do limite de contexto do provedor, a saída
volumosa de ferramentas é compactada em voo: sem /compact manual, o prefixo do prompt permanece
estável em bytes para que seu cache quente do provedor sobreviva, e cada trecho omitido é
recuperável. O proxy faz isso por você porque ele vê a requisição de saída.
Em qualquer outro lugar — pip, SDK, um wrapper de SDK do provedor ou um host MCP que passe seu
transcript — entregue a conversa e obtenha a mesma política:
from entroly import rescue_session. entroly capabilities informa quais
proteções se aplicam à forma como você está executando. Veja
resgate de sessão.
Por que se importar: menos contexto desnecessário chega ao modelo (conta menor, menos
distração para o modelo), nada é perdido silenciosamente (cada descarte é
recuperável e registrado), e você pode provar isso — entroly verify-claims
e entroly simulate mostram números reais no seu próprio repositório antes de você conectar
uma chave paga.
from entroly import compress, compress_messages, optimize
compressed = compress(api_response, budget=2000)
messages = compress_messages(messages, budget=30000)
context = optimize(fragments, budget=8000, query="fix the login bug")
entroly compress response.json --out small.json
entroly recover sha256:0b957c79... --out restored.json
Caminhos de configuração completos para cada agente, IDE e caso de uso de CI: Comece em profundidade · Referência de comandos.
Veja funcionando em 30 segundos
Não são gravações simuladas — cada vídeo é renderizado a partir de um comando verificado que verifica seu artefato de origem antes de imprimir um número.
entroly verify-claims — importação, compactação, recibos, verificações WITNESS, recuperação, roteamento de proxy, replay. Sem chave de API.
Em um conjunto de validação congelado de 24 casos, Entroly respondeu 24/24; uma linha de base publicada respondeu 18/24 com aproximadamente 1,5x o contexto efetivo. python scripts/readme_proof.py model-recovery
Evidência omitida recuperada byte por byte após reinicialização do processo, 66/66 cargas úteis. python scripts/readme_proof.py restart-recovery
Protocolos completos, tamanhos de amostra e todas as ressalvas: docs/BENCHMARKS.md.
Benchmarks
A pergunta que importa: se você enviar menos, a IA começa a errar? Estes são testes públicos padrão, executados com e sem Entroly.
Como ler isto: Retenção é o quão bem a IA ainda respondeu — 100% significa
que ela foi tão bem com muito menos texto. Economia de tokens é o quanto menos foi
enviado (e portanto pago). Medido com gpt-4o-mini; intervalos são ICs de Wilson de 95%.
| Benchmark | Linha de base | Com Entroly | Retenção | Economia de tokens |
|---|---|---|---|---|
| NeedleInAHaystack | 100% | 100% | 100% | 99,5% |
| LongBench (HotpotQA) | 64% | 66% | 103% | 85,3% |
| Berkeley Function Calling | 100% | 100% | 100% | 79,3% |
| SQuAD 2.0 | 80% | 72% | 90% | 43,8% |
| GSM8K | 85% | 85% | 100% | pass-through* |
*pass-through: o contexto já cabia no orçamento, deixado inalterado. n=20–50 por linha. Reproduza: python benchmarks/run_readme_benchmarks.py (requer OPENAI_API_KEY). |
Sendo direto com você: olhe a linha do SQuAD 2.0 — a precisão caiu
(80% → 72%). Compactação é uma troca, não mágica, e não vence em todos os lugares.
É por isso que entroly simulate existe: execute-o no seu próprio projeto e veja seus
próprios números antes de se comprometer com qualquer coisa.
Detecção de alucinação (WITNESS, local, sem API): 84,92% de precisão / 0,7976 AUROC em 20.000 decisões HaluEval-QA — dentro da incerteza relatada de gpt-4o-mini como juiz de API na mesma amostra compartilhada.
Benchmark congelado de seleção de evidências (protótipo de pesquisa PRISM-R opcional, não o compactador padrão): um guarda de discordância manteve a passagem com a resposta em 298 de 300 casos, selecionando em média 1,02 de 16 passagens (teste exato de McNemar pareado p=0,21875 vs. BM25 sozinho) — este experimento mede a recuperação da passagem com resposta conhecida, não a qualidade da resposta gerada. Protocolo completo: Fronteira neural de evidências PRISM-R.
Resultados de recuperação, latência e comparação direta com modelos de fronteira estão em docs/BENCHMARKS.md com artefatos brutos vinculados. Nenhum desses números é uma garantia universal ou de economia em produção para sua carga de trabalho — reproduza-os no seu próprio repositório com entroly simulate e entroly value.
Recursos
- Seleciona primeiro, compacta depois — ele descobre quais arquivos realmente respondem à sua pergunta, então os compacta.
- Devolve o original exatamente — qualquer coisa omitida pode ser restaurada caractere por caractere e verificada contra uma impressão digital.
- Mostra seu trabalho — um recibo para cada decisão: o que foi mantido, o que foi omitido e por quê, e qual risco permanece.
- Verifica fatos das respostas — compara o que a IA disse contra a evidência que recebeu, na sua máquina, sem pagar por uma segunda chamada de IA.
- Não estraga seu cache — mantém as partes inalteradas do seu prompt estáveis para que o desconto do provedor por texto repetido ainda se aplique.
- Resgata sessões antes de travarem — quando uma conversa cresce demais, ele corta saída recuperável em vez de deixar o provedor rejeitar a requisição no meio da tarefa.
- Pode rotear trabalho barato para modelos baratos — opcional e com falha segura quando incerto.
- Memória compartilhada entre agentes — Claude, Codex, Cursor e Gemini podem ler e escrever o mesmo armazenamento de contexto compactado com deduplicação automática por SimHash e rastreamento de proveniência do agente.
- Redução de tokens de saída — roteamento baseado em esforço classifica a complexidade da consulta e controla a verbosidade do modelo, reduzindo tokens de saída junto com os de entrada.
- Compactação de hooks de shell — compactação transparente de saída de CLI para git, npm, cargo, docker, pytest, kubectl e terraform. Preserva erros e avisos, remove barras de progresso e texto repetitivo.
- Compactação de imagens — redução de 40-90% em capturas de tela e diagramas para chamadas de API de visão, com extração opcional de texto por OCR.
- Mineração de falhas —
entroly learn --deepanalisa dados de sessão em busca de padrões recorrentes de falha e escreve correções em CLAUDE.md, .cursorrules e outras configurações de agente.
Funciona como CLI, SDK Python/TypeScript, servidor MCP, proxy HTTP ou importação de biblioteca. Mapa completo da superfície: docs/product-surface.md. Arquitetura e detalhes internos em Rust: docs/DETAILS.md.
Como Entroly se compara
Entroly combina seleção com orçamento, recibos de trechos de origem e verificação opcional. Estas são garantias distintas: um recibo registra material retido e omitido; a recuperação verifica a integridade da fonte; as verificações WITNESS/EICV ainda podem produzir falsos positivos ou falsos negativos. Os objetivos do solver aproximam contexto útil e não provam que o contexto escolhido é suficiente para uma tarefa.
Compare ferramentas no mesmo conjunto de tarefas, versão, modelo, orçamento de tokens e critério de qualidade. O fixture local TOP-K não mede nenhum produto comercial. Não fornecemos aqui uma comparação entre produtos reproduzida de forma independente.
Funciona com sua stack
Instale o plugin público Codex a partir do repositório Entroly:
codex plugin marketplace add juyterman1000/entroly --ref main
codex plugin add entroly@entroly-public
Reinicie o Codex, revise e confie no hook, depois execute entroly activation status --json após uma tarefa. O marketplace instala o runtime local Node/WASM com o
plugin; o modelo não precisa lembrar de chamar uma ferramenta MCP antes de o
Entroly ser executado. Um recibo prova que o hook foi executado e selecionou contexto
local ou tomou uma decisão explícita de não correspondência. Ele não prova economia de tokens
ou custo sem uma linha de base correspondente vinculada ao provedor.
Instale o mesmo repositório público como uma extensão do Gemini CLI:
gemini extensions install https://github.com/juyterman1000/entroly --ref main --consent
Reinicie o Gemini CLI após a instalação. A raiz do repositório contém
gemini-extension.json e GEMINI.md, então o comando funciona sem navegar
para um subdiretório de integração.
Para VS Code ou Kiro, baixe o artefato entroly-vscode-*.vsix da versão mais recente
lançamento no GitHub e depois
instale-o com Extensions: Install from VSIX ou code --install-extension.
A extensão é autossuficiente e não requer chave de API.
Usuários do JetBrains AI Assistant podem adicionar o mesmo servidor globalmente em Settings → Tools → AI Assistant → Model Context Protocol (MCP):
{
"mcpServers": {
"entroly": {
"command": "npx",
"args": ["-y", "entroly-mcp@1.0.85", "serve"],
"env": {
"ENTROLY_NO_DOCKER": "1",
"ENTROLY_MCP_PASSIVE": "1",
"ENTROLY_MCP_PROFILE": "public",
"ENTROLY_MAX_FILES": "200"
}
}
}
}
O repositório também inclui um plugin JetBrains gratuito e de código aberto que orienta esta
configuração a partir de Tools → Configure Entroly for AI Assistant, verifica o
runtime local quando solicitado e mantém o limite de evidências visível. Veja
extensions/jetbrains.
Os manifestos do marketplace MCP e de plugins selecionam o perfil compacto public para que os
agentes vejam primeiro as ferramentas principais de contexto, recibo, continuidade, recuperação e verificação.
Uma invocação direta de entroly serve permanece compatível com versões anteriores
e expõe toda a superfície de ferramentas. Você pode escolher qualquer um dos comportamentos explicitamente
com ENTROLY_MCP_PROFILE=public ou ENTROLY_MCP_PROFILE=full.
O caminho MCP é neutro em relação ao provedor: o host pode usar OpenAI, Anthropic, Google, Mistral, DeepSeek, Kimi, GLM ou um modelo local. Não há um marketplace de plugins separado para cada provedor de modelo; o contrato MCP ou de extensão do host é o limite de integração.
| Agente / plataforma | Caminho | Status |
|---|---|---|
| Claude Code | Hook UserPromptSubmit integrado + MCP com escopo | Determinístico após ativação do plugin |
| Codex CLI / app | Hook UserPromptSubmit integrado + MCP com escopo | Determinístico após confiança no hook |
| Gemini CLI | Hook BeforeAgent integrado + MCP com escopo | Determinístico após ativação da extensão |
| OpenClaw | Plugin de engine de contexto + MCP com escopo | Nativo |
| Cursor | Hook de projeto compatível com Claude; fallback MCP ou proxy | Determinístico apenas quando configurações de terceiros estão ativadas |
| Kiro IDE 1.x / CLI 3.x | Hook de projeto PromptSubmit | Determinístico após instalação no projeto |
| VS Code / modo agente do Copilot | Hook de plugin de agente onde suportado; fallback MCP | Dependente da versão do host |
| IntelliJ / JetBrains AI | MCP ou endpoint customizado suportado | Consultivo até que um hook de ciclo de vida seja verificado |
| GitHub Copilot CLI | MCP (assinatura) / proxy (BYOK) | Suportado |
| Cortex Code | Apenas limite de SDK/biblioteca | Não validado como alvo de wrap |
| Aider, OpenCode e mais de 30 outros | Proxy compatível com OpenAI com escopo de sessão | Um comando |
A aplicação de hooks pertence ao host, portanto é independente de o host executar um modelo OpenAI, Anthropic, Gemini, Kimi, DeepSeek, Mistral ou GLM. O status descreve a profundidade da integração, não uma garantia de economia. Economias observadas pelo provedor exigem que as solicitações passem por uma rota de proxy do Entroly. O Entroly não afirma interceptar inferência de assinatura hospedada pelo GitHub no caminho nativo do Copilot. Matriz de compatibilidade completa: docs/agent-compatibility.md.
O Entroly carrega metadados verificados para modelos atuais da OpenAI, Anthropic, Google, Meta e outros. Ele descobre automaticamente modelos locais do Ollama. Detalhes específicos por modelo: docs/DETAILS.md.
Quando usar · quando pular
Ótimo para: repositórios grandes onde o agente vê apenas alguns arquivos por vez · agentes multi-turno com muita conversa · qualquer lugar onde você queira respostas verificadas contra evidências · reduzir uma conta de IA real e crescente.
Pule: repositórios pequenos ou prompts curtos que já cabem no orçamento · tarefas com muito julgamento onde você sempre quer o modelo principal completo.
Mais comandos
Para otimização baseada em evidências em vez de uma estimativa sintética de economia:
entroly learn --history --json
entroly shrink -- pytest -q
entroly trial --experiment checkout-fix --arm baseline -- codex exec "fix the checkout test"
entroly trial --experiment checkout-fix --arm optimized -- codex exec "fix the checkout test"
entroly trial --report checkout-fix
entroly browser https://example.com --query "billing settings"
entroly find docs/product-surface.md --query "exact source evidence" --json
entroly response set evidence --scope project
Os testes executam um braço explicitamente selecionado por vez, para que uma tarefa de agente com estado ou paga nunca seja repetida implicitamente. Os contratos de resposta moldam as instruções do agente; eles não truncam respostas nem contam como economia medida. Reduções de navegador e comando mantêm handles exatos de recuperação local e são ignoradas quando suas portas de segurança não podem ser atendidas.
Para equipes que precisam dizer quem é um agente e o que ele tinha permissão para fazer:
entroly govern status # identity, policies, audit chain
entroly govern policy check write --risk high # evaluate one authorization
entroly govern audit verify # exit non-zero on a broken chain
A autorização é negada por padrão e cada negação nomeia a política e o motivo que ela deu. audit verify verifica se as entradas registradas não foram alteradas depois do fato — isso não prova que cada ação foi registrada, e govern status relata o estado do plano de controle local apenas, não uma atestação de que cada ação do agente passou por ele. Tokens de identidade não são assinados, a menos que ENTROLY_IDENTITY_KEY esteja definido, e a credencial nunca é impressa.
Também disponíveis: entroly wrap, entroly unwrap, entroly serve, entroly daemon, entroly dashboard, entroly demo, entroly capabilities, entroly ingest, entroly select, entroly receipt, entroly explain, entroly context-commit, entroly proof, entroly benchmark, entroly cache, entroly ravs, entroly perf, entroly batch, entroly usage. Descrição completa: referência de comandos.
Perguntas frequentes
Isso vai mudar meu código ou meus arquivos?
A seleção de contexto lê arquivos de origem. O Entroly também grava índices locais, recibos, dados de recuperação e configuração quando você executa os comandos correspondentes de configuração ou aprendizado. Revise a configuração do agente gerada antes de ativá-la.
Meu código é enviado para algum lugar?
Seleção local e verificação determinística são executadas na sua máquina. Um provedor de nuvem configurado recebe a solicitação, incluindo código selecionado e prompts. O WITNESS NLI opcional pode enviar evidências e alegações para a OpenAI. A telemetria do produto está desativada por padrão, mas pode enviar eventos da lista de permissões após consentimento e configuração de endpoint. O reparo de pacotes também é opcional. Leia [Privacidade](PRIVACY.md) antes de ativar um recurso de rede e [segurança de dados de recuperação](docs/recovery-data-security.md) antes de compartilhar recibos ou pacotes de diagnóstico.
E se ele deixar de fora algo importante?
A compressão com respaldo de recibos retém material de recuperação. `entroly recover` verifica o original contra seu digest e comprimento registrados. Dados de recuperação ausentes, excluídos ou corrompidos podem impedir a recuperação. Um recibo não torna a resposta de um agente correta.
Quanto dinheiro isso vai realmente me economizar?
Honestamente: depende do seu projeto. Execute `entroly simulate` no seu projeto — é gratuito, não precisa de chave de API e estima a redução nos seus próprios arquivos. Se seus prompts já são pequenos, o Entroly os repassa sem alterações.
Não sou desenvolvedor. Posso usar isso?
Se você usa uma ferramenta de codificação com IA como Claude Code ou Cursor, sim. Instale-a (`pip install -U entroly`) e depois execute `entroly go` — ela encontra seu editor, configura-se e abre um painel.
Algo quebrou / estou travado.
Execute `entroly doctor`. Se isso não resolver, [abra uma issue](https://github.com/juyterman1000/entroly/issues) ou pergunte em [Discussões](https://github.com/juyterman1000/entroly/discussions).
Memória compartilhada entre agentes
Armazenamento endereçado por conteúdo com deduplicação SimHash e busca BM25. Vários agentes (Claude Code, Codex, Cursor) gravam e consultam a mesma base de conhecimento com rastreamento de proveniência.
from entroly import shared_memory_write, shared_memory_search
shared_memory_write("Auth uses JWT with RS256", agent_id="claude-code", tags=["auth"])
results = shared_memory_search("authentication tokens") # finds it, from any agent
Redução de tokens de saída
Pipeline de três camadas: classificação de esforço orienta diretivas de verbosidade, orçamentos max_tokens limitam a geração e destilação pós-geração remove excessos. Uma consulta "sim/não" recebe no máximo 150 tokens; uma revisão detalhada de arquitetura recebe 16.384.
Compressão de hook de shell
Padrões específicos por comando para git, npm, cargo, docker, pytest, kubectl e terraform removem barras de progresso, avisos de depreciação e texto repetitivo, preservando erros e resultados principais. A saída completa é recuperável por meio de handles endereçados por conteúdo.
entroly hook install # adds transparent compression to your shell
entroly hook status # shows which shells have the hook
Mineração de falhas
entroly learn --deep analisa feedback do PRISM, crenças do vault, daemon de evolução e dados de checkpoint para padrões recorrentes de falha e gera correções para arquivos de configuração do agente.
Documentação
- Benchmarks — cada número, protocolo, artefato e ressalva.
- Conformidade do Context Commit — 128/128 replay determinístico, 576/576 recuperação exata, 768/768 detecção de adulteração.
- Arquitetura e internals — módulos Rust, pipeline de compressão, proveniência, referência de comandos.
- Compatibilidade de agentes — cada cliente suportado e seu limite de autenticação.
- Limitações — onde o Entroly ajuda, onde ele repassa, o que ele não garante.
- Mapa da superfície do produto — CLI, SDK, MCP, proxy, verificação, memória, segurança.
- Confiança na primeira execução — o que executar antes de conectar uma chave de modelo paga.
- Política pública de evidências — níveis de alegação, escopo de benchmarks e links de pacotes.
- Guia de Otimização de Custos de IA — como a modelagem de contexto reduz custos sem degradação do modelo.
- Recuperação Acionada por Modelo — validação automatizada de recuperação de omissões.
- Cookbook — receitas prontas para copiar e colar.
- Discussões · Issues
Apache-2.0 · local-first · sem telemetria de saída por padrão
pip install entroly && entroly go