Context Viewer
Vytvořeno: 28.7.2026 | Aktualizováno: 28.07.2026 19:58
Context Viewer je open-source nástroj pro observabilitu kontextu AI agentů. Z konverzačního logu vytvoří přehled, které části zabírají tokeny, jak se kontext během práce zvětšuje a čím se liší jednotlivé běhy agenta.
Co nástroj analyzuje
Context Viewer načte transcript a rozdělí jej na text, reasoning, volání nástrojů a jejich výsledky. Pro jednotlivé části spočítá tokeny, může je s pomocí AI sémanticky rozdělit a zařadit do komponent, například instrukce, workflow, nástroje nebo kontext projektu.
Výsledek obsahuje:
- waffle chart s podílem jednotlivých komponent na celkovém objemu tokenů;
- časovou osu růstu kontextu po zprávách;
- filtrování konkrétních částí konverzace;
- porovnání více transcriptů vedle sebe;
- volitelný AI souhrn a doporučení k optimalizaci kontextu.
Vstupy
Podle README projektu jsou podporované mimo jiné transcripty Claude Code a Codex CLI v JSONL, OpenCode v JSON, záznamy OpenAI API, trajektorie SWE-bench/SWE-agent a prostý text nebo Markdown. Pro rychlé vyzkoušení je k dispozici hostovaná browserová aplikace.
Nástroj lze použít i přes agentní CLI @nilenso/context-lens. Instaluje se globálně a je určený primárně pro řízení coding agentem:
npm install -g @nilenso/context-lens
Praktické použití
Context Viewer je užitečný při hledání zbytečně velkého kontextu coding agenta. Typické otázky:
- Zabírají většinu kontextu výstupy
Read, vyhledávání nebo testů? - Je system prompt,
AGENTS.mdnebo jiný soubor s instrukcemi příliš rozsáhlý? - Zlepšila změna promptu nebo workflow práci agenta, nebo jen přidala tokeny?
- Kdy během dlouhé session začne být kontext neefektivní?
- Liší se struktura a objem kontextu mezi modely, verzemi promptu nebo opakovanými běhy stejného úkolu?
Pro exploraci rozsáhlého repozitáře je vhodné porovnat hlavní session se subagentem. Subagent pracuje ve vlastním context window a do hlavní konverzace obvykle vrátí jen stručný výsledek; Context Viewer pomůže ověřit, zda se tím skutečně snížil objem hlavního kontextu.
Interpretace počtu tokenů
Celkový počet tokenů zobrazený Context Viewerem není velikost context window jednoho requestu ani vyúčtování poskytovatele. Implementace používá tokenizer tiktoken s encodingem GPT-4o a sečte obsah celého uloženého transkriptu: text, reasoning, vstupy volání nástrojů i jejich výsledky. Pro jiné modely je proto počet jen orientační.
U dlouhé session může Viewer ukázat například více než milion tokenů, i když model nikdy nedostal tolik tokenů najednou. Jde o součet historie, do které mohou patřit starší výstupy nástrojů, části již nahrazené shrnutím po compaction nebo data vedlejších větví a subagentů.
Prompt caching tento limit nezvyšuje. Claude Code při dalším requestu znovu posílá historii, ale nezměněný prefix může být načten ze serverové cache. Cache snižuje latenci a cenu, zatímco logická velikost context window zůstává stejná. Přesné hodnoty cache_read_input_tokens a cache_creation_input_tokens je potřeba získat z metrik poskytovatele; Context Viewer je z transkriptu nevypočítává.
Soukromí a omezení
Browserová aplikace nemá vlastní backend a soubory zpracovává lokálně. Volitelná AI segmentace, kategorizace a analýza ale odesílají příslušný obsah k modelovému poskytovateli nastavenému uživatelem. Před analýzou transcriptů proto je potřeba zvážit, zda neobsahují tajné údaje, zdrojové kódy nebo citlivé výstupy nástrojů.
Nástroj také analyzuje jen to, co obsahuje dodaný log. Nemůže spolehlivě určit skryté systémové instrukce poskytovatele, aktuální aktivní context window ani přesnou tokenizaci jiného modelu.
Petr Nosek