TokenJuice: Wenn Agenten plötzlich weniger Token fressen

Agenten rufen ständig Terminalbefehle auf: git status, pnpm test, docker build. Die Resultate sind oft seitenlang, voll mit Log-Junk und fressen das Kontextfenster. TokenJuice setzt genau dort an – nach der Ausführung, nicht vorher.

Was TokenJuice macht

TokenJuice (tokenjuice) ist ein Open-Source-Plugin von Vincent Koch, das laute Tool-Ergebnisse kompaktiert, nachdem der Befehl bereits gelaufen ist. Das unterscheidet es grundlegend von Ansätzen, die Commands selbst umschreiben: TokenJuice verändert nur den tool_result, der zurück an den Agenten geht. Das ursprüngliche Kommando bleibt unangetastet.

Der Workflow ist linear: Ein Agent ruft ein Tool auf → TokenJuice fängt das Resultat ab → filtert redundante Informationen → übergibt eine sauber strukturierte, deutlich kleinere Payload.

Wichtig: TokenJuice rewritet keine Shell-Befehle, startet keine Prozesse neu und ändert keine Exit-Codes. Es arbeitet ausschließlich am Output-Pfad.

Die Flags --raw und --full dienen als explizite Escape-Hatches, wenn das unveränderte Original benötigt wird. Raw-Output kann lokal gespeichert werden, jedoch nur auf explizites Kommando – es gibt keinen stillen Fallback.

Wo es drinsteckt

Installierbar als globales CLI-Tool via npm, pnpm, yarn oder Homebrew. Per tokenjuice install [codex|claude-code|cursor|pi] wird es in die jeweiligen Umgebungen integriert. Eine --local-Option ist ebenfalls verfügbar.

Für OpenClaw-Nutzer ist die Integration bereits vorbereitet. Laut OpenClaw-Doku lässt sich das Plugin entweder mit openclaw config set plugins.entries.tokenjuice.enabled true oder mit openclaw plugins enable tokenjuice aktivieren. Ein separates Installieren ist nicht nötig – OpenClaw liefert TokenJuice bereits mit.

Hinweis: Der Befehl tokenjuice install openclaw existiert nicht und führt ins Leere, da die Plugin-Unterstützung direkt in OpenClaw integriert ist.

Für welche Tools es greift

Aktuell komprimiert TokenJuice laute exec- und bash-Ergebnisse, bevor sie in die Session zurückfließen. Ein konkreter Anwendungsfall sind Pi embedded runs, wo TokenJuice den eingebauten tool_result-Pfad abfängt und den Output trimmt, bevor er den Kontext überlastet.

Das CLI bietet dazu Diagnose-Kommandos: tokenjuice ls listet gecachte Artefakte, tokenjuice cat zeigt sie an, tokenjuice verify prüft die Installation und tokenjuice doctor scannt auf Hook-Probleme. tokenjuice stats liefert Nutzungsstatistiken.

Die Architektur dahinter

Zwei Modi steuern die Komprimierung:

• reduce: Deterministische Zusammenfassung des Outputs – gleiche Eingabe, gleiches Ergebnis.
• wrap: Packt das Ergebnis in eine strukturierte Hülle, die JSON-parseable bleibt.

Beide Ansätze sind library-first konzipiert. TokenJuice ist nicht an ein bestimmtes Framework gebunden, sondern funktioniert als eigenständige Bibliothek, die sich in verschiedene Agent-Umgebungen einklinken lässt. Die Artefakte sind dateibasiert, was Debugging und Nachvollziehbarkeit erleichtert.

Wohin das führt

Das eigentliche Problem ist alt, aber akut: Agenten verlieren wertvolles Kontextfenster an Terminal-Overhead. Ein git status in einem großen Repo liefert leicht Hunderte Zeilen, von denen nur wenige relevant sind. Verbose-Logs von pnpm test sprengen mühelos das Budget einer Session.

TokenJuice löst das nicht durch cleveres Prompting oder neue Modell-Architekturen, sondern durch einfache, deterministische Output-Komprimierung – genau dort, wo der LLM den Overhead sonst verarbeiten müsste. Der Ansatz ist pragmatisch: Weniger Rauschen rein, bessere Antworten raus.

Dass OpenClaw das Plugin nativ integriert, macht es zur praktischen Standardoption für Framework-Nutzer. Die Cursor-Integration bringt es zudem in IDE-Workflows, wo lange Build-Logs bisher ungefiltert durchliefen.

Der Haken: TokenJuice kann nur komprimieren, was als Output ankommt. Semantische Fehler, die der Agent interpretieren müsste, bleiben auch komprimiert kryptisch. Bei Commands, die auf vollständigen Logs beruhen, ist --raw empfehlenswert – oder das temporäre Deaktivieren des Plugins.

Für den täglichen Betrieb, in dem der Großteil der Tool-Outputs vorrangig Rauschen ist, bleibt der Ansatz handfest: Weniger Token-Verbrauch, sauberere Kontext-Sessions, gleiche Ergebnisse.