上下文引擎

大语言模型有一个物理限制：上下文窗口。无论模型多聪明，它一次能「看到」的信息量是有限的。袋袋的上下文引擎解决了这个矛盾——让专家在有限的窗口中保持对无限长对话的理解力。

​

两大核心机制

---

​

上下文压缩：五层管线

上下文压缩不是简单的「删除旧消息」——它是一个精细的五层管线，每一层处理不同粒度的信息压缩：

​

第一层：工具结果预算

当一轮对话中有多个工具调用（比如专家并行搜索 10 个网页），所有工具结果的总量受聚合预算管控。超出预算的结果会被按优先级截断。

​

第二层：历史工具结果收缩

越早的消息中的工具结果，对当前决策的参考价值越低。这一层自动将旧轮次的工具输出压缩为摘要——保留「做了什么、结论是什么」，丢弃原始细节。

​

第三层：冷区消息折叠

对话中最早的一批消息（「冷区」）被 AI 摘要为一段结构化总结，作为系统消息注入。摘要保留：

• 用户的关键决策和偏好
• 重要的工具执行结果
• 对话中建立的约定和上下文

​

第四层：记忆刷出

在压缩发生前，将对话中识别出的有长期价值的信息（用户偏好、项目上下文、关键决策）写入专家的长期记忆。即使对话消息被折叠，这些信息不会丢失。

​

第五层：实时工具输出压缩

工具执行返回的结果如果过长（比如一个 bash 命令输出了数千行日志），在进入对话状态之前就被智能截断：

​

输出恢复：透明续写

有时候专家需要生成很长的内容——一篇完整的文章、一个复杂的代码文件、一份详尽的分析报告。当输出长度超过模型的单次最大 Token 限制时，输出恢复机制会自动接管。

​

工作原理

​

用户体验

整个恢复过程对用户完全透明：

​

反应式压缩

除了预防性的分层压缩，系统还有一道反应式防线： 当模型调用返回一个上下文溢出错误时（某些供应商会直接拒绝过长输入），Runtime 不会简单报错——而是：

1. 识别溢出信号
2. 触发紧急压缩（更激进的摘要策略）
3. 用压缩后的上下文重新发起请求

用户看到的只是一个短暂的「正在思考」——甚至不会意识到后台发生了溢出和恢复。

​

智能摘要的质量保证

上下文压缩的核心挑战不是技术实现，而是「不丢失关键信息」。袋袋的摘要策略遵循几个原则：

原则一：决策优先

用户明确做出的决策（「用 React」「不要 TypeScript」「预算 1 万」）在摘要中享有最高优先级，永不被压缩掉。

原则二：结果优于过程

工具执行的结论（「文件创建成功」「测试通过 42/42」）比执行过程（完整的命令输出）更重要。

原则三：可重获取则可丢弃

文件内容可以被 AI 重新读取，网页可以重新搜索——这类信息在空间紧张时优先被压缩。但用户口头描述的需求无法重获取，必须保留。

原则四：近期完整，远期概括

最近 2-3 轮的对话保持完整原文；更早的消息逐步被更高层次的摘要取代。这模拟了人类的记忆衰减——近期事件细节清晰，远期只记得要点。

​

与记忆系统的协作

上下文引擎不是独立工作的——它与专家的长期记忆系统深度协作： 每次构建上下文时，系统先从记忆中检索相关信息，再加上当前对话历史（经过压缩），共同构成 AI 的「工作记忆」。这让专家既能记住上周的对话要点，又能保持当前对话的流畅性。