返回顶部
c

context-optimizer上下文优化器

Advanced context management with auto-compaction and dynamic context optimization for DeepSeek's 64k context window. Features intelligent compaction (merging, summarizing, extracting), query-aware relevance scoring, and hierarchical memory system with context archive. Logs optimization events to chat.

作者: admin | 来源: ClawHub
源自
ClawHub
版本
V 1.0.0
安全检测
已通过
6,528
下载量
免费
免费
14
收藏
概述
安装方式
版本历史

context-optimizer

上下文修剪器

专为DeepSeek的64k上下文窗口优化的高级上下文管理。提供智能修剪、压缩和令牌优化,在保留重要信息的同时防止上下文溢出。

主要特性

  • - DeepSeek优化:专门针对64k上下文窗口调优
  • 自适应修剪:基于上下文使用的多种策略
  • 语义去重:移除冗余信息
  • 优先级感知:保留高价值消息
  • 令牌高效:最小化令牌开销
  • 实时监控:持续上下文健康追踪

快速开始

带动态上下文的自动压缩:

javascript import { createContextPruner } from ./lib/index.js;

const pruner = createContextPruner({
contextLimit: 64000, // DeepSeek的限制
autoCompact: true, // 启用自动压缩
dynamicContext: true, // 启用基于相关性的动态上下文
strategies: [semantic, temporal, extractive, adaptive],
queryAwareCompaction: true, // 基于当前查询相关性进行压缩
});

await pruner.initialize();

// 使用自动压缩和动态上下文处理消息
const processed = await pruner.processMessages(messages, currentQuery);

// 获取上下文健康状态
const status = pruner.getStatus();
console.log(上下文健康度: ${status.health}, 相关性分数: ${status.relevanceScores});

// 需要时手动压缩
const compacted = await pruner.autoCompact(messages, currentQuery);

存档检索(分层记忆):

javascript // 当当前上下文中没有某些内容时,搜索存档 const archiveResult = await pruner.retrieveFromArchive(关于之前对话的查询, { maxContextTokens: 1000, minRelevance: 0.4, });

if (archiveResult.found) {
// 将相关片段添加到当前上下文
const archiveContext = archiveResult.snippets.join(\n\n);
// 在提示中使用archiveContext
console.log(找到 ${archiveResult.sources.length} 个相关来源);
console.log(从存档中检索了 ${archiveResult.totalTokens} 个令牌);
}

自动压缩策略

  1. 1. 语义压缩:合并相似消息而非移除
  2. 时间压缩:按时间窗口总结旧对话
  3. 提取压缩:从冗长消息中提取关键信息
  4. 自适应压缩:根据消息特征选择最佳策略
  5. 动态上下文:基于与当前查询的相关性过滤消息

动态上下文管理

  • - 查询感知相关性:根据与当前查询的相似度对消息评分
  • 相关性衰减:旧对话的相关性分数随时间衰减
  • 自适应过滤:自动过滤低相关性消息
  • 优先级整合:将消息优先级与语义相关性结合

分层记忆系统

上下文存档提供RAM与存储的对比方式:

  • - 当前上下文(RAM):有限(64k令牌),快速访问,自动压缩
  • 存档(存储):更大(100MB),较慢但可搜索
  • 智能检索:当信息不在当前上下文中时,高效搜索存档
  • 选择性加载:仅提取相关片段,而非整个文档
  • 自动存储:压缩内容自动存入存档

配置

javascript
{
contextLimit: 64000, // DeepSeek的上下文窗口
autoCompact: true, // 启用自动压缩
compactThreshold: 0.75, // 使用率达到75%时开始压缩
aggressiveCompactThreshold: 0.9, // 使用率达到90%时激进压缩

dynamicContext: true, // 启用动态上下文管理
relevanceDecay: 0.95, // 每个时间步相关性衰减5%
minRelevanceScore: 0.3, // 保留的最低相关性
queryAwareCompaction: true, // 基于当前查询相关性进行压缩

strategies: [semantic, temporal, extractive, adaptive],
preserveRecent: 10, // 始终保留最后N条消息
preserveSystem: true, // 始终保留系统消息
minSimilarity: 0.85, // 语义相似度阈值

// 存档设置
enableArchive: true, // 启用分层记忆系统
archivePath: ./context-archive,
archiveSearchLimit: 10,
archiveMaxSize: 100 1024 1024, // 100MB
archiveIndexing: true,

// 聊天日志
logToChat: true, // 将优化事件记录到聊天
chatLogLevel: brief, // brief、detailed或none
chatLogFormat: 📊 {action}: {details}, // 聊天消息格式

// 性能
batchSize: 5, // 批量处理的消息数
maxCompactionRatio: 0.5, // 单次压缩最多50%
}

聊天日志

上下文优化器可以直接将事件记录到聊天:

javascript
// 示例聊天日志消息:
// 📊 上下文优化:压缩15条消息→8条(减少47%)
// 📊 存档搜索:找到3个相关片段(42%相似度)
// 📊 动态上下文:过滤12条低相关性消息

// 配置日志:
const pruner = createContextPruner({
logToChat: true,
chatLogLevel: brief, // 选项:brief、detailed、none
chatLogFormat: 📊 {action}: {details},

// 自定义日志处理器(可选)
onLog: (level, message, data) => {
if (level === info && data.action === compaction) {
// 发送到聊天
console.log(🧠 上下文优化:${message});
}
}
});

与Clawdbot集成

添加到您的Clawdbot配置:

yaml
skills:
context-pruner:
enabled: true
config:
contextLimit: 64000
autoPrune: true

修剪器将自动监控上下文使用情况,并应用适当的修剪策略以保持在DeepSeek的64k限制内。

标签

skill ai

通过对话安装

该技能支持在以下平台通过对话安装:

OpenClaw WorkBuddy QClaw Kimi Claude

方式一:安装 SkillHub 和技能

帮我安装 SkillHub 和 context-optimizer-1776377907 技能

方式二:设置 SkillHub 为优先技能安装源

设置 SkillHub 为我的优先技能安装源,然后帮我安装 context-optimizer-1776377907 技能

通过命令行安装

skillhub install context-optimizer-1776377907

下载

⬇ 下载 context-optimizer v1.0.0(免费)

文件大小: 32.3 KB | 发布时间: 2026-4-17 14:16

v1.0.0 最新 2026-4-17 14:16
Initial release of context-optimizer (v1.0.0):

- Advanced context management optimized for DeepSeek’s 64k context window.
- Auto-compaction with multiple strategies: semantic, temporal, extractive, and adaptive.
- Dynamic, query-aware context selection using relevance scoring and relevance decay.
- Hierarchical memory system with context archive for selective long-term storage and retrieval.
- Real-time context health monitoring and optimization event logging to chat.
- Flexible configuration options for thresholds, strategies, logging format, and archive behavior.

Archiver·手机版·闲社网·闲社论坛·羊毛社区· 多链控股集团有限公司 · 苏ICP备2025199260号-1

Powered by Discuz! X5.0   © 2024-2025 闲社网·线报更新论坛·羊毛分享社区·http://xianshe.com

p2p_official_large
返回顶部