核心功能与用法
PRECC 是一款专为 Claude Code 设计的预测性错误纠正工具，通过三大支柱实现成本优化：
1. 命令纠错与输出压缩（Pillar 1）
自动检测并修复错误目录中的命令（如将 cargo build 自动修正为 cd /correct/path && cargo build），从过往会话学习失败模式以防止重复错误，并通过 RTK 技术将 CLI 输出压缩 60-90%。当命令反复失败时，会智能推荐 precc debug 进入 GDB 调试。
2. 语义代码搜索（Pillar 2）
内置可选的 AST 感知语义搜索，支持 28+ 编程语言，通过 cocoindex-code 库实现约 70% 的搜索 token 节省。
3. 上下文文件压缩（Pillar 3）
使用 precc compress 自动剥离 CLAUDE.md 和记忆文件中的冗余词汇，实现约 30% 的 token 压缩，支持自动备份与回滚。
v1.1 新增特性：
- Token 成本预测 Oracle：内置可训练的岭回归模型，支持预测记录 → 实际闭环训练，提供
heuristic-1（规则基线）和trained-v1（用户训练模型）两种预测器 - 反事实遥测：可选的
(would-have-run, did-run, outcome)三元组本地加密存储，采用 SQLCipher 加密、每日轮换盐值和代理类指纹，默认禁用，需显式配置consent.toml启用
显著优点
- 实测成本节省 34%：基于 $296/$878 的真实会话数据
- 98% 的失败预防率：352/358 次失败被成功拦截
- 极低延迟开销：平均 hook 延迟 2.93ms，净开销仅 1.77ms
- 本地优先架构：所有数据本地处理，遥测默认关闭且需显式授权
- 渐进式智能：从规则基线到用户训练模型的预测能力进化
潜在局限与风险
- 闭源二进制：核心功能为预编译 Rust 二进制，虽提供 SHA256 校验但无法完全审计
- Pro 许可证依赖：高级功能（
savings --all）需PRECC_LICENSE_KEY - 可选依赖复杂：语义搜索需单独安装 Python 包
cocoindex-code - 遥测合规责任：虽设计为隐私优先，但用户需自行评估启用遥测后的合规义务
- 模型训练门槛：
trained-v1需至少 10 条实际记录方可训练
适合人群
- 高频 Claude Code 用户：日均 API 调用量大、成本敏感的专业开发者
- 复杂项目维护者：多目录、多语言仓库中频繁遭遇命令路径错误
- 成本优化团队：需要量化 AI 辅助编程 ROI 的工程管理层
- 隐私意识用户：希望数据本地处理、对遥测有完全控制权的用户
常规风险
| 风险类型 | 评估 | 说明 |
|---------|------|------|
| 供应链安全 | 中 | 安装脚本从 GitHub Releases 拉取二进制，需信任发布流程 |
| 数据泄露 | 低 | 遥测默认关闭，启用后本地加密存储 |
| 功能依赖 | 低-中 | 深度集成 Claude Code 的 `PreToolUse` hook，卸载需手动清理 `settings.json` |
| 预测准确性 | 中 | 新用户初期依赖 `heuristic-1`，需积累数据后 `trained-v1` 才生效 |