Claude Code 太费 token？OpenWolf 想省这一笔

Claude Code 用起来顺，但它有一个很现实的问题：它不知道项目里每个文件大概是什么，除非先打开来看。

项目小的时候，这不算麻烦。项目一大，它就容易反复读文件、重复扫目录、忘记前面踩过的坑。人看着像是在“认真理解项目”，但 token 和时间都在一点点流走。

cytostack/openwolf 想补的就是这一块。它不是新的聊天窗口，也不是 Claude Code 的替代品，而是给 Claude Code 加一层项目记忆。

OpenWolf 项目地图与记忆示意图

它想解决什么

OpenWolf 在 README 里把自己叫做 “A second brain for Claude Code”。这个说法有点大，但方向很清楚：让 Claude Code 在读文件之前，先知道项目里有什么。

它会在项目里创建一个 .wolf/ 目录，里面包括项目地图、学习记忆、操作日志、bug 记录、token 账本和 hook 脚本。

这些文件不是给人看的花架子，而是给 Claude Code 提供上下文。

比如 anatomy.md 记录文件说明和大致 token 估算。Claude 要读某个文件前，可以先知道这个文件大概负责什么、体量有多大。cerebrum.md 记录用户偏好、纠正和不要重复犯的错误。token-ledger.json 则记录读写行为和 token 估算。

简单说，它在 Claude Code 旁边放了一本项目手册。

有意思的是 hook

OpenWolf 的实现方式不是接管 Claude，而是用 6 个 hook 脚本插进 Claude Code 生命周期。

Claude 读文件前，OpenWolf 会提示这个文件的描述和 token 估算；如果本轮会话已经读过，它会提醒重复读取。Claude 写代码前，它会检查 cerebrum.md 里有没有相关的历史纠正。写完之后，它再更新项目地图、追加记忆、记录 token。

这个设计比较克制。

它没有让用户换一个新工具，也没有要求改变工作流。照常运行 claude，OpenWolf 在后面维护一套项目状态。

这类工具真正有用的地方，往往不是“让模型更聪明”，而是减少模型重复做笨事。

token 账本值得看

README 里给了一组使用数据：在一个大型活跃项目上，OpenWolf + Claude CLI 的 token 消耗约 425K，而裸 Claude CLI 约 2.5M。作者还提到跨 20 个项目、132+ 次会话的平均 token 降低是 65.8%，重复读文件拦截比例为 71%。

这些数字只能当项目方经验看，不能直接当成通用结论。不同项目结构、提示词习惯、任务类型都会影响结果。

但 token 账本这个方向本身是对的。

很多时候 AI 编程工具消耗大，不是因为它生成了多少代码，而是因为它在反复找上下文。项目地图和重复读取提醒如果能稳定工作，确实有机会把浪费压下来。

怎么开始

安装方式很直接：

1
2
3
npm install -g openwolf
cd your-project
openwolf init

初始化后，项目里会出现 .wolf/ 目录。之后继续正常使用 Claude Code。

它提供的命令也比较偏维护型，比如：

  • openwolf status 查看健康状态和统计。
  • openwolf scan 刷新项目结构地图。
  • openwolf dashboard 打开实时面板。
  • openwolf bug search <term> 搜索历史 bug 记忆。
  • openwolf restore [backup] 从备份恢复 .wolf/。

如果只是试用，不建议一开始就在核心生产项目里全量接入。更稳的方式是拿一个中等规模项目跑几天，看它是否真的减少重复读文件，再决定要不要长期用。

适合什么场景

OpenWolf 更适合长期用 Claude Code 维护项目的人。

如果只是让 Claude 改一个小脚本，额外维护 .wolf/ 意义不大。但如果项目文件多、上下文长、经常跨会话修改，项目地图和记忆就有价值。

它尤其适合几类情况：

  • 老项目结构复杂，找文件成本高。
  • Claude 经常重复读同一批文件。
  • 团队或个人有固定代码偏好，希望 Claude 不要反复踩同一个坑。
  • 想知道一次会话里 token 大概花到哪里了。

这里的重点不是“自动化更强”，而是“少浪费上下文”。

需要保留的谨慎

OpenWolf 也有边界。

README 里写得比较坦白：Claude Code hooks 还是相对新的能力，hook 不触发时会回退到 CLAUDE.md 指令；token 统计是估算，不是 API 精确计费；cerebrum.md 依赖 Claude 按指令更新，遵循率不是 100%。

这些限制很重要。因为 OpenWolf 解决的是“上下文治理”，而不是直接替你写代码。它能不能长期有用，取决于项目地图是否及时、记忆是否干净、hook 是否稳定。

如果 .wolf/ 里的信息变旧，反而可能给 Claude 错误提示。

所以试用时最该看的不是首日效果，而是一周后它有没有保持准确。

这类工具会越来越多

OpenWolf 和前面写过的 CodeGraph 代码地图 有点像，都在解决同一件事：AI 编程工具不能每次都像第一次进项目一样乱翻文件。

区别在于 CodeGraph 更像结构化代码图谱，OpenWolf 更像 Claude Code 的项目记忆和行为账本。

这个方向值得继续观察。模型能力提升很重要，但上下文拿得准不准，同样决定 AI 编程体验。真正省心的工具，不一定是再多一个模型，而是让模型少走弯路。

OpenWolf 做的，就是把这条弯路提前标出来。

项目地址：https://github.com/cytostack/openwolf