# Sandeco Token Reduce Ollama > Sandeco Token Reduce Ollama is an Agent Skill for documents published in the sandeco/prompts repository on GitHub: a SKILL.md instruction file an AI agent can load to do this task. Comprime tokens de prompts usando reescrita generativa com um modelo Ollama local (default: qwen3:8b) para reduzir custo e latencia ao enviar ao Claude. Aceita texto direto, arquivo .txt ou PDF como entrada: extrai o PDF para markdown (via pymupdf4llm), salva o .md ao lado do PDF e comprime o markdown. Use esta skill sempre que o usuario pedir para comprimir/reduzir/economizar tokens E mencionar Ollama, qwen, qwen3, llm local, modelo local, rodar localmente, "sem BERT", ou quiser compressao via LLM generativo em vez de classificador. Tambem use quando o usuario quiser pre-processar contexto localmente (incluindo PDFs) antes de enviar ao Claude usando Ollama. Triggers: "comprimir com ollama", "comprimir localmente", "ollama compress", "qwen3", "qwen", "reescrever com ollama", "resumir com llm local", "compressao generativa", "pdf com ollama", "ler pdf com ollama", "inicializar token-reduce-ollama", "init token-reduce-ollama". - Skill name: `sandeco-token-reduce-ollama` - Category: [Documents](https://www.openparable.com/skill/documents/1) - Source: https://github.com/sandeco/prompts/blob/HEAD/sandeco-token/sandeco-token-reduce-ollama/SKILL.md - Repository: sandeco/prompts (863 GitHub stars when collected) ## SKILL.md # sandeco-token-reduce-ollama Comprime texto reescrevendo generativamente com um modelo Ollama local. Diferente do LLMLingua-2 (que classifica token a token com BERT/XLM-RoBERTa), aqui um LLM generativo reescreve o texto de forma mais concisa preservando o significado. Default: **qwen3:8b** (5 GB, 40K de contexto, PT-BR forte). ## Diferencas para a skill `sandeco-token-reduce` | Aspecto | LLMLingua-2 (BERT) | Ollama (LLM generativo) | |----------------------|--------------------------------------|---------------------------------------| | Como funciona | Classifica/mantem tokens exatos | Reescreve o texto | | Palavras preservadas | Sim (palavras do original) | Nao (pode parafrasear) | | Fluidez | Menor (texto cortado) | Maior (texto natural) | | Taxa exata | Sim (controle fino via rate) | Aproximada (LLM nem sempre obedece) | | Velocidade | Muito rapida (CPU/GPU) | Depende do hardware e do modelo | | Dependencia | pip: llmlingua | Binario Ollama + pip: ollama | ## Estrutura ``` sandeco-token-reduce-ollama/ ├── SKILL.md ← este arquivo ├── scripts/ │ ├── setup.py ← inicializacao (cria .venv, instala libs, puxa modelo Ollama) │ └── compress.py ← compressao via Ollama (requer init) └── .venv/ ← criado pelo setup.py (NAO distribuir) ``` ## IMPORTANTE: Pre-requisito Ollama Esta skill assume que o usuario ja tem o **Ollama instalado** (https://ollama.com/download) e rodando (`ollama serve`). Esta e a unica instalacao manual exigida — o resto (venv, pacotes Python, download do modelo) e automatico na primeira chamada. Se o daemon do Ollama nao estiver ativo no momento da compressao, o `compress.py` aborta com uma mensagem clara explicando como subir o Ollama. ## Auto-configuracao (self-bootstrap) A skill se configura sozinha na primeira chamada de compressao. Voce nao precisa rodar `setup.py` manualmente — basta invocar `compress.py` com o Python do sistema: ```bash python "/scripts/compress.py" --text "..." --rate 0.4 ``` O que acontece na primeira execucao: 1. `compress.py` detecta que o `.venv` nao existe 2. Roda `setup.py` automaticamente (cria venv, instala pacotes, puxa o modelo) 3. Re-executa a si mesmo com o Python do venv 4. Faz a compressao Nas chamadas seguintes, o passo 1-3 e pulado (venv ja existe). ### Quando o usuario pedir para "inicializar", "configurar" ou "init" a skill: Voce pode rodar `setup.py` diretamente com `python "/scripts/setup.py"` — util se o aluno quer pre-baixar o modelo antes da primeira compressao (ex: rodando em casa com rede boa antes de ir para a aula). O setup e idempotente. ## Como comprimir **Sempre invoque `compress.py` com o Python do sistema** (nao com o do venv). O proprio script faz o re-exec para o venv quando necessario: ```bash python "/scripts/compress.py" [opcoes] ``` Isso simplifica para alunos e compartilhamento: nao precisam saber onde esta o Python do venv. ### So comprimir (texto direto) ```bash python "/scripts/compress.py" --text "texto longo aqui" --rate 0.4 ``` ### Comprimir a partir de arquivo ```bash python "/scripts/compress.py" --file caminho/para/arquivo.txt --rate 0.4 ``` ### Comprimir um PDF (extrai para markdown primeiro) ```bash python "/scripts/compress.py" --file documento.pdf --rate 0.4 ``` Quando o arquivo termina em `.pdf`, o script: 1. Extrai o PDF para markdown usando `pymupdf4llm` (headers, listas, tabelas, links) 2. Salva o markdown em `documento.md` ao lado do PDF (sempre — e o artefato intermediario) 3. Comprime o markdown com Ollama 4. Retorna as metricas de todas as etapas: paginas, caracteres do markdown, tokens originais, tokens comprimidos, razao Se voce so quer o markdown sem comprimir muito, use `--rate 0.9`. ### Comprimir e salvar resultado em arquivo ```bash python "/scripts/compress.py" --file entrada.txt --rate 0.4 --output comprimido.txt ``` ### Comprimir e enviar ao Claude com uma pergunta ```bash python "/scripts/compress.py" --file entrada.txt --rate 0.4 --ask "Resuma este texto" ``` ### Trocar o modelo Ollama ```bash python "/scripts/compress.py" --file entrada.txt --rate 0.4 --ollama-model qwen3:14b ``` ### Saida JSON (para consumo programatico) ```bash python "/scripts/compress.py" --file entrada.txt --rate 0.4 --json ``` ## Parametros do compress.py | Parametro | Padrao | Descricao | |-------------------|---------------------|--------------------------------------------------------| | `--text` | — | Texto passado diretamente (mutuamente exclusivo com --file) | | `--file` | — | Caminho para arquivo de texto | | `--rate` | `0.4` | Fracao alvo de tokens (aproximada em compressao generativa) | | `--output` | — | Salva texto comprimido neste arquivo | | `--json` | `false` | Saida em JSON estruturado | | `--ollama-model` | `qwen3:8b` | Modelo Ollama a usar | | `--ollama-host` | `http://localhost:11434` | URL do daemon Ollama | | `--ask` | — | Pergunta a enviar ao Claude com o contexto comprimido | | `--model` | `claude-sonnet-4-6` | Modelo Claude (so usado com --ask) | | `--max-tokens` | `4096` | Max tokens na resposta do Claude | ## Guia de taxas de compressao - `0.5` — Compressao leve, maxima fidelidade - `0.4` — Equilibrio padrao (recomendado) - `0.33` — Compressao moderada - `0.2` — Compressao agressiva (LLM pode nao atingir 20% — dependendo do texto, tende a parar em ~30% porque reescrever tao curto vira resumo extremo) Quando o usuario nao especificar, use `0.4`. **Importante:** compressao generativa via LLM e APROXIMADA. O modelo tenta atingir a taxa, mas varia por texto. Sempre mostre a taxa efetiva atingida nas metricas. ## Formato da saida JSON ```json { "compression": { "compressed_prompt": "texto comprimido...", "origin_tokens": 312, "compressed_tokens": 124, "ratio": 2.52, "saving": 188, "rate_requested": 0.4, "model": "qwen3:8b" }, "pdf": { "source_pdf": "/caminho/para/doc.pdf", "pages": 12, "markdown_path": "/caminho/para/doc.md", "markdown_chars": 24580 }, "claude": { "answer": "resposta do Claude...", "model": "claude-sonnet-4-6", "input_tokens": 150, "output_tokens": 200 } } ``` O campo `pdf` so aparece quando a entrada e um arquivo `.pdf`. O campo `claude` so aparece quando `--ask` e usado. ## Notas tecnicas - Modelo default Ollama: `qwen3:8b` (trocavel via `--ollama-model`) - Contagem de tokens: `tiktoken` com encoding `cl100k_base` (estimativa razoavel para comparacao) - Qwen3 tem modo "thinking" ativo por padrao — a skill desabilita via `/no_think` no prompt e remove blocos `...` residuais na saida - Temperatura baixa (`0.2`) para saida deterministica - A variavel `ANTHROPIC_API_KEY` precisa estar definida no ambiente para usar `--ask` ### Pre-processamento automatico Antes de enviar ao Ollama, o texto passa por: - `tables_to_keyvalue()` — converte tabelas markdown em pares `chave: valor` (LLMs reescrevem tabelas melhor em formato linear; tabelas com `|---|` normalmente sao destruidas) - `normalize_identifiers()` — remove hifens de IDs (`RF-01` → `RF01`) para o LLM tratar como um token unico e nao separar - `strip_markdown()` — remove decoracao `**bold**`, headers `##`, code fences, checkboxes e separadores `---` (o LLM generativo ja produz texto natural, nao precisa desse ruido) ### Instrucoes ao modelo (system prompt) O system prompt obriga o modelo a: - Preservar TODAS as negacoes (`não`, `nunca`, `sem`, `nenhum`, `nem`) — trocar uma negacao muda o significado - Preservar TODOS os identificadores, codigos e numeros (`RF-01`, `G05`, `1000ms`, URLs, IDs) - Preservar termos tecnicos (nomes de bibliotecas, comandos, parametros) - Nao adicionar informacao que nao estava no original - Nao adicionar preambulo ("Aqui esta:", "Resumo:", etc.) - Responder apenas com o texto comprimido ### Quando usar esta skill vs `sandeco-token-reduce` - **LLMLingua-2 (skill original)**: quando a fidelidade de palavras e critica (auditoria, citacao, texto tecnico onde termos exatos importam) ou quando o usuario nao tem GPU - **Ollama (esta skill)**: quando o usuario quer fluidez melhor, ja tem Ollama rodando, quer total privacidade (nada sai da maquina, nem para o HuggingFace), ou quer experimentar com modelos diferentes --- Source: https://www.openparable.com/skill/documents/sandeco-token-reduce-ollama (OpenParable). Cite the canonical URL above.