Conv Compactor

---

name: conv-compactor description: 多级对话压缩系统。监控上下文长度，在达到阈值时自动或手动触发压缩，将对话历史浓缩为结构化摘要，保留关键信息。

---

conv-compactor

对话压缩 / 遗忘机制 — 基于 Claude Code compaction 系统。

让 AI 在上下文即将耗尽时，自动把对话历史压缩成结构化摘要，而不是粗暴截断。

---

核心概念

为什么需要压缩？

对话越来越长 → Token 越来越多 → 超出上下文窗口 → 无法继续

错误做法：直接从头部截断（丢失关键上下文）

正确做法：压缩成摘要，保留精华

压缩不是什么？

❌ 不是"忘记"——是提炼，不是丢弃

❌ 不是"截断"——是结构化摘要，不是删除

❌ 不是"总结"——是保留决策过程和代码细节，不只是大意

---

触发机制

自动触发阈值

上下文窗口 200K → 有效窗口约 100K
触发阈值 = 有效窗口 - 13K buffer
           ≈ 87K tokens

三种触发方式

| 方式 | 触发条件 | 说明 | |------|---------|------| | auto | Token 接近阈值 | 自动压缩，保留最近对话 | | manual | 用户说"压缩" | 自定义压缩范围 | | micro | 单次工具结果太大 | 只压缩大文件/图片 |

---

压缩级别

Level 1：Micro Compact（微观压缩）

触发： 单个工具结果太大（如 grep 返回 100K tokens）

做法：

大文本 → 保留前 500 字符 + "..."
图片 → [image]
文件内容 → [文件内容已压缩]

保留： 对话结构 + 关键结论

---

Level 2：Auto Compact（自动压缩）

触发： Token 即将用尽

做法： 1. 从最老的对话开始 2. 按"API round"分组（一问一答+工具调用 = 一组） 3. 把早期组压缩成结构化摘要 4. 保留最近 2-3 组原始对话 5. 插入压缩边界标记

---

Level 3：Full Compact（全量压缩）

触发： 手动 /compact 或上下文严重不足

做法： 1. 全部对话压缩成单一摘要 2. 可选择保留特定文件内容 3. 生成下一步建议

---

压缩 Prompt（精华）

当需要压缩时，使用以下 prompt 模板：

## 压缩任务
你是一个对话压缩器。请把以下对话历史压缩成一个结构化摘要。
压缩规则
1. 保留用户的原始反馈 — 用户纠正你、确认你的内容最重要
2. 保留完整代码片段 — 不是"修改了文件A"，而是完整的函数体
3. 保留错误和修复 — 犯过的错不能忘
4. 保留用户关键决策 — 用户明确做出的选择、偏好、方向性决策
   - ❌ 不要原文抄录所有用户消息
   - ✅ 提炼："用户选择了方案A，理由是..."
5. 脱敏处理 — 过滤所有敏感信息
   - API keys / tokens → 替换为 [REDACTED: api_key]
   - 密码 / secrets → 替换为 [REDACTED: secret]
   - 私钥 / credentials → 替换为 [REDACTED: credential]
   - 完整文件路径（本地）→ 简化保留文件名即可
6. 不要调用工具 — 你已有所有上下文
输出格式
必须包含以下章节：
#### 1. 用户主要请求
详细描述用户要什么。
#### 2. 关键技术点
列出涉及的技术、框架、概念。
#### 3. 文件和代码
文件名 + 为什么重要
做了哪些修改
完整代码片段
#### 4. 错误和修复
遇到了什么错误
怎么修的
用户有没有反馈
#### 5. 用户关键决策和反馈
提炼用户的核心选择、偏好、纠正内容。不是原文抄录，而是结构化表达。
#### 6. 悬而未决的任务
用户让你做但还没做完的。
#### 7. 当前工作
最后正在做什么。
#### 8. 下一步建议
基于用户最新请求，下一步应该做什么。

---

上下文窗口参考

| 模型 | 上下文窗口 | 安全阈值（87%） | |------|-----------|---------------| | MiniMax-M2.7 | 200K | ~174K | | MiniMax-M2.5 | 200K | ~174K | | MiniMax-M2.1 | 200K | ~174K | | GPT-4o | 128K | ~111K | | Claude 3.5 | 200K | ~174K |

---

压缩边界标记格式

压缩完成后，插入以下标记：

---
对话已压缩 @ {timestamp}
摘要概要
[1-2句话描述对话主题]
保留内容
最近对话组数：{N} 组
压缩组数：{M} 组
关键文件：{file list}
压缩后的对话历史
[结构化摘要内容]

---

使用时机

当以下情况发生时，自动使用本 skill：

对话 Token 接近安全阈值（> 80% 上下文）

用户说"压缩"、"compact"、"总结一下"

单个工具结果异常大（如 > 10K tokens）

对话明显变慢或开始重复之前的内容

---

与 memory-hierarchy 的关系

memory-hierarchy 负责：对话外的长期记忆 conv-compactor 负责：对话内的上下文压缩

两者互补：

新对话开始 → 加载 MEMORY.md（记忆）
    ↓
对话进行中 → 监控 Token 使用
    ↓
触发压缩 → 结构化摘要
    ↓
可选择 → 写入 memory/（新记忆）

---

实施检查清单

压缩前确认：

[ ] Token 使用是否超过 80%？

[ ] 是否有未完成的用户请求？

[ ] 是否有用户的特殊偏好/反馈需要保留？

[ ] 是否有重要的代码片段？

压缩后确认：

[ ] 摘要是否包含所有用户消息？

[ ] 关键代码是否完整？

[ ] 用户反馈是否被标记？

[ ] 下一步是否清晰？

---

禁止事项

❌ 不要直接截断对话头部 ❌ 不要只保留大意而丢失代码细节 ❌ 不要在压缩时调用工具 ❌ 不要删除用户反馈相关内容 ❌ 不要压缩正在进行的开发工作 ❌ 不要在摘要中保留明文敏感信息（API keys、密码、tokens） ❌ 不要原文抄录所有用户消息