Der TSCG-Compiler läuft direkt im Browser — deterministisch, kostenlos, agent-lesbar. JSON-Schemata einfügen, Modell und Profil wählen, Ersparnis sofort sehen. Agenten wie Hermes, OpenClaw oder KimiClaw nutzen dieselbe Seite maschinell über URL-Parameter, DOM-Anker oder die JS-Schnittstelle — bevor sie Tokens verbrennen.
Produktive Agenten-Frameworks — OpenAI Function Calling, Anthropic Tool Use, MCP — übertragen Tool-Schemata als JSON. Ein Format, gebaut zum maschinellen Parsen, nicht zur Interpretation durch ein Sprachmodell. Für kleine Modelle (4–14 B) verursacht genau dieser Protokoll-Bruch den Großteil aller Tool-Use-Fehler bei produktiven Katalog-Größen.
TSCG löst den Bruch genau an der API-Grenze: ein deterministischer Compiler übersetzt JSON-Schemata in token-effizienten, strukturierten Text — ohne Modell-Zugriff, ohne Fine-Tuning, ohne Laufzeit-Suche.
Acht komponierbare Operatoren mit einer formalen Kompressions-Garantie. Die Format-Änderung — nicht die reine Kürzung — ist der dominante Wirkmechanismus: die Varianz-Zerlegung fällt von R² = 0,88 auf 0,03, sobald man das Format kontrolliert.
Jeder Operator ist formal definiert und in der Art begründet, wie kausale Transformer Tokens verarbeiten. Komponierbar, deterministisch, reihenfolgenabhängig.
Per-Operator-Isolation über drei Frontier-Modelle zeigt drei klar getrennte Antwort-Profile — und damit eine konkrete Deployment-Empfehlung pro Modell.
Berkeley Function Calling Leaderboard — der Industrie-Standard für Tool-Calling. 108–181 % Accuracy-Retained-Ratio: TSCG erhält die Genauigkeit nicht nur, es steigert sie.
Sieben kleine Modelle (4–14 B), die auf JSON-Tools 0–49 % erreichen, erholen sich mit TSCG auf 65–90 %. Die Ursache ist das Format, nicht die Modellkapazität.
Auf leichten synthetischen Katalogen sättigt der Genauigkeits-Vorteil, doch auf schweren produktiven MCP-Schemata (≈ 10 500 Input-Tokens) bleibt er bestehen — bei durchgängig hoher Kompression.
| Tool-Anzahl | Δ Accuracy | Char-Ersparnis |
|---|---|---|
| 16 Tools | +5,0 pp | 49,8 % |
| 43 Tools | ± 0,0 pp | 56,4 % |
| 50 Tools | ± 0,0 pp | 56,1 % |
Opus 4.7 ist „operator-hungry" — erreicht oder übertrifft die Baseline in allen Bedingungen. Bei 16 Tools liefert die volle Pipeline +5,0 pp Genauigkeit bei ~50 % Zeichen-Ersparnis.
6 566 API-Calls, 14 Modelle (1,5–32 B plus ein Frontier-Modell), drei Kontext-Budgets. Der Befund: Bei 8K Kontext mit 28 Tools verdrängen JSON-Schemata die eigentliche Aufgabe aus dem Fenster — Genauigkeit nahe null. TSCG stellt die RAG-Funktion wieder her. Kein inkrementeller Gewinn — eine binäre Befähigung.
Eine eigens entwickelte Benchmark-Suite für Tool-Schema-Kompression in agentischen Workflows. Statt handgeschriebener Testfälle erzeugt TAB hunderte deterministische, reproduzierbare Aufgaben über diverse reale und akademische Tool-Kataloge.