JFrog Boost

Coding-Agents wie Cursor, Claude Code, Codex, GitHub Copilot und OpenCode geben einen großen Teil ihres Kontextfensters für Material aus, das sie nie lesen mussten: ausführliche npm-ci-Ausgaben, Docker-Build-Logs, pytest- und Go-Test-Traces, wiederholte Codesuchen sowie PDF- oder Bildinhalte. JFrog Boost umhüllt diese Befehle und filtert das Rauschen heraus, bevor es das Modell erreicht, und bewahrt das wirklich relevante Signal wie den fehlgeschlagenen Test, den Fehler und die Zusammenfassung.

Boost ist Local-First und umkehrbar. Die Filterung erfolgt auf Ihrer Maschine, und komprimierte Ausgaben lassen sich wieder zum Rohprotokoll aufklappen, sodass nichts stillschweigend verworfen wird. Zudem optimiert es Dateizugriffe, entfernt ungenutzte Tool-Schemas und filtert MCP-Aufrufe, damit der Agent-Kontext fokussiert bleibt. JFrog nennt Benchmarks wie etwa 9.800 Tokens npm-ci-Ausgabe, die unter Beibehaltung der Fehler auf rund 640 Tokens komprimiert werden, und einen Terminal-Bench-2.0-Lauf mit etwa 12–13,5 % geringeren Kosten bei gleicher Erfolgsrate.

Die Installation ist ein einziger Befehl ohne Anmeldung; die App erscheint für macOS, Binaries für andere Plattformen gibt es über GitHub Releases. Boost hat ein wachsendes Ökosystem, darunter Community-Integrationen, die JFrog später als native OpenCode-Unterstützung übernahm. Es richtet sich an Teams, die LLM-gestützte Entwicklung skalieren und weniger Tokens, straffere Kontexte und geringere Kosten wollen, ohne ihre Arbeitsweise zu ändern.