ค่า token เวลาเราสั่งรัน AI agent ส่วนใหญ่ไม่ได้หมดไปกับการ "คิด" แต่หมดไปกับการ "อ่าน" ข้อมูลปริมาณมหาศาล Headroom เป็นเครื่องมือโอเพนซอร์สที่สร้างขึ้นมาแก้ปัญหานี้โดยเฉพาะ โดยทำหน้าที่เป็น proxy ตัวกลางคั่นระหว่างแอป AI agent กับ LLM API เพื่อบีบอัดอินพุตให้กระชับที่สุดก่อนส่งไปประมวลผล ไม่ว่าจะเป็น output จากการเรียก tool, ไฟล์โค้ดขนาดยักษ์ หรือ context จากคลังข้อมูล เคลมตัวเลขการประหยัด token ได้สูงถึง 60 ถึง 95% โดยที่คำตอบยังคงถูกต้องแม่นยำ

ผู้พัฒนาโปรเจกต์นี้คือ Tejas Chopra วิศวกรอาวุโสจาก Netflix ที่ปล่อยตัวโค้ดให้ใช้งานได้ฟรีแบบโอเพนซอร์ส มี SDK รองรับทั้งภาษา Python และ TypeScript ไฮไลต์ที่ดึงดูดความสนใจของนักพัฒนาทั่วโลกคือ Headroom เคลมว่าช่วยผู้ใช้งานประหยัดค่า token สะสมไปแล้วกว่า 700,000 ดอลลาร์

AI Agent ไม่ได้เปลืองเพราะคิดเยอะ แต่เปลืองเพราะอ่านเยอะ

ลองสังเกตการทำงานจริงของ AI agent เมื่อมันเรียกใช้ tool แล้วได้รับ JSON ขนาดมหึมากลับมา หรือเวลาสั่งให้อ่านไฟล์โค้ดทั้งโปรเจกต์ ไปจนถึงรันคำสั่ง test แล้วได้ build log ยาวเหยียด ข้อมูลทั้งหมดนี้จะถูกส่งเข้าไปนับเป็น token ทั้งหมด ทั้งที่ความจริงแล้ว โมเดลอาจต้องการข้อมูลสำคัญเพียงไม่กี่บรรทัดในการตัดสินใจ

ปัญหาคือข้อมูลเหล่านี้เต็มไปด้วยส่วนเกินที่ไม่จำเป็น เช่น JSON ขนาดยาวเป็นพันบรรทัดอาจมีจุดที่ต้องวิเคราะห์จริงแค่ฟิลด์เดียว หรือ build log ความยาวหลายหน้าจออาจมีบรรทัด error เพียงจุดเดียว ส่วนที่เหลือเป็นข้อความแจ้งเตือนหรือ test ที่ผ่านทั้งหมด แต่ agent ก็ยังต้องกวาดข้อมูลทั้งก้อนส่งให้โมเดลอ่าน เพราะมันไม่มีทางรู้ล่วงหน้าว่าข้อมูลตรงไหนสำคัญจนกว่าโมเดลจะได้เห็นทั้งหมด

Headroom เข้ามาตัดวงจรตรงนี้ แทนที่จะปล่อยให้ข้อมูลดิบขนาดใหญ่ไหลเข้าโมเดลตรงๆ ตัว proxy จะดักจับข้อมูลไว้ บีบอัดให้เหลือเฉพาะเนื้อหาสาระสำคัญ แล้วค่อยส่งต่อ ผลลัพธ์คือโมเดลได้ข้อมูลที่ตรงจุดด้วยจำนวน token ที่ลดลงอย่างเห็นได้ชัด

สถาปัตยกรรมตัวกลางคั่นระหว่างทาง

กลไกการทำงานของ Headroom ตรงไปตรงมา มันคือ proxy server ที่เขียนด้วยภาษา Python ซึ่งเราสามารถรันไว้บนเครื่องตัวเองได้ จากนั้นตั้งค่าให้แอป AI agent เช่น Claude Code จาก Anthropic ส่ง request ผ่าน Headroom แทนการยิงตรงไปยัง API endpoint ของผู้ให้บริการโมเดล

เมื่อเครื่องมือส่งผลลัพธ์กลับมา Headroom จะดักข้อมูลไว้ แล้วส่งเข้า engine บีบอัดที่เขียนด้วยภาษา Rust ซึ่งทำงานได้เร็วมากจนไม่ทำให้เกิด latency สะสม จากนั้นจึงส่งเฉพาะข้อมูลที่ผ่านการย่อสรุปแล้วต่อไปให้โมเดล จุดเด่นสำคัญคือการบีบอัดนี้สามารถกู้คืนได้ (lossless retrieval) โดย Headroom จะฝังรหัสอ้างอิงขนาดสั้นไว้ในข้อความ หากโมเดลพบว่าข้อมูลที่ได้ยังไม่เพียงพอต่อการตัดสินใจ ก็สามารถใช้รหัสนั้นร้องขอข้อมูลฉบับเต็มกลับมาได้ทันที ไม่ใช่การตัดทิ้งแบบถาวร

กลยุทธ์การบีบอัดแยกตามประเภทข้อมูล

เบื้องหลังที่ทำให้ Headroom ลด token ได้มหาศาลโดยไม่ทำให้บริบทเสียหาย คือการไม่ใช้วิธีบีบอัดแบบเหวี่ยงแห แต่จะวิเคราะห์ประเภทของข้อมูลก่อน แล้วเลือกอัลกอริทึมที่ตรงกับโครงสร้างข้อมูลนั้น

• ข้อมูล JSON: คัดเก็บเฉพาะแถวที่มีความผิดปกติหรือกรณีพิเศษ (edge cases) พร้อมตัดโครงสร้างข้อมูลที่ซ้ำซ้อนออก เพราะจุดบกพร่องคือสิ่งที่โมเดลต้องใช้แก้ปัญหา
• ไฟล์ Source Code: ถอดโครงสร้าง Abstract Syntax Tree (AST) ของโค้ดจริง แทนที่จะมองเป็นข้อความล้วน ทำให้ตัดส่วนที่ไม่จำเป็นออกได้โดยไม่เสียตรรกะและโครงสร้างการทำงาน
• Build Logs: กรองเฉพาะบรรทัดที่เกิด error หรือ fail แล้วตัด log ของ test case ที่ผ่านทิ้งไปทั้งหมด
• ข้อความทั่วไป: ใช้โมเดลขนาดเล็กชื่อ Compress Base ที่รันอยู่บนเครื่อง (Local) จัดการย่อความ ข้อมูลจึงไม่รั่วไหลออกไปภายนอกและไม่สิ้นเปลืองค่า API เพิ่มเติม

หลักการทำงานสรุปง่ายๆ คือ หากเป็น log จะเน้นเก็บจุด fail หากเป็นโค้ดจะเน้นโครงสร้าง และหากเป็น JSON จะเน้นจุดผิดปกติ ทั้งหมดนี้ทำงานแบบอัตโนมัติเบื้องหลัง

ประสิทธิภาพจากการใช้งานจริง

จากการทดสอบสั่งให้ Claude Code อ่านโค้ด TypeScript ทั้งโปรเจกต์ เมื่อเปิดใช้งาน Headroom พบว่าใช้ token รวมเหลือเพียงประมาณ 89,100 token ส่วนการทดสอบวิเคราะห์ log ขนาดใหญ่ Headroom สามารถบีบอัดข้อมูลลงได้ถึง 98% หรือประหยัดไปกว่า 17,000 token ภายในงานเดียว

อย่างไรก็ตาม ผลลัพธ์จะแตกต่างกันไปตามกรณีการใช้งาน หากนำไปใช้กับโมเดลอย่าง Claude Opus ในโหมดคิดแบบเบา (low reasoning) อาจไม่เห็นตัวเลขลดลงมากนัก แต่จะเริ่มเห็นความแตกต่างชัดเจนเมื่องานมีความซับซ้อนระดับปานกลางขึ้นไป ยิ่ง agent ต้องอ่านและประมวลผลข้อมูลเยอะ Headroom ยิ่งช่วยลดต้นทุนได้ชัดเจน

ข้อจำกัดและสิ่งที่ต้องพิจารณา

แม้จะเป็นเครื่องมือที่ช่วยลดต้นทุนได้ดี แต่ Headroom ก็มีจุดที่ต้องระวัง หากระบบบีบอัดข้อมูลแน่นเกินไปจนโมเดลตีความไม่ได้ โมเดลจะต้องยิงคำขอเพื่อดึงข้อมูลฉบับเต็มกลับมา กลายเป็นการส่งคำขอซ้ำซ้อนที่อาจทำให้ใช้ token รวมสูงกว่าการไม่เปิดใช้ proxy

ทีมพัฒนาจึงเพิ่มฟีเจอร์ Headroom Learn เข้ามาช่วย โดยระบบจะคอยบันทึก session ที่เคยเกิดข้อผิดพลาดในการบีบอัด เพื่อปรับแต่งความละเอียดในการย่อความรอบถัดไปไม่ให้เกิดปัญหาเดิมซ้ำ นอกจากนี้ยังมีระบบ Shared Cache ที่เปิดให้ AI agent หลายตัว เช่น Claude Code หรือ OpenAI Codex ใช้ข้อมูลบริบทที่บีบอัดแล้วร่วมกันได้ ช่วยลดการประมวลผลซ้ำซ้อนเมื่อทำงานในสภาพแวดล้อมเดียวกัน

แนวทางการเริ่มต้นใช้งาน

ขั้นตอนการติดตั้งและตั้งค่า Headroom มี 3 ขั้นตอนหลัก โดยปัจจุบันรองรับการทำงานบน Python 3.12 เป็นหลัก (หากใช้เวอร์ชัน 3.13 ขึ้นไปอาจพบปัญหาความเข้ากันได้ของแพ็กเกจ)

1. ติดตั้งแพ็กเกจผ่านคำสั่ง pip install headroom (หรือใช้เครื่องมืออย่าง uv เพื่อความรวดเร็ว)
2. สตาร์ต proxy server ด้วยคำสั่ง headroom proxy
3. กำหนดค่า API Base URL ในเครื่องมือ AI agent ที่ใช้งานอยู่ให้ชี้มายัง Headroom Proxy แทน endpoint เดิม

เพียงเท่านี้ เครื่องมืออย่าง Claude Code ก็สามารถทำงานผ่าน proxy ได้ทันทีโดยไม่ต้องปรับเปลี่ยน workflow ใดๆ สามารถศึกษาโค้ดและวิธีตั้งค่าอย่างละเอียดได้ที่คลังโอเพนซอร์ส Headroom บน GitHub

เมื่อ AI agent ในปัจจุบันมีแนวโน้มที่จะทำงานแบบ multi-agent หรือเรียกใช้ sub-agent พร้อมกันหลายตัว ต้นทุนของ token จึงพุ่งสูงขึ้นอย่างรวดเร็ว Headroom ไม่ได้เข้ามาจำกัดความสามารถในการคิดของโมเดล แต่ช่วยกรองให้โมเดลอ่านเฉพาะข้อมูลที่จำเป็นจริงๆ เพื่อให้การทำงานมีประสิทธิภาพสูงสุดในต้นทุนที่คุ้มค่า

---

อ้างอิง: Headroom: The Netflix Tool That Makes AI Agents 10x Cheaper จากช่อง Better Stack