ProgressiveCompactor 分层渐进式上下文压缩

1. 概述

ProgressiveCompactor 是 harness9 的默认上下文压缩策略，解决长程 Agent 任务中上下文窗口不断膨胀的核心挑战。与传统的"单阈值全量截断"不同，它采用分层渐进架构：根据 token 占用比例分为四个档位（Warn / Soft / Full / Emergency），每个档位执行不同强度的压缩动作，从轻量 offload 到 LLM 摘要再到紧急截断，平滑过渡而非突变。

1.1 设计目标

目标	机制
渐进式触发	四层阈值（60% / 70% / 80% / 95%），避免"要么不压要么全压"
信息不丢失	大 tool_result offload 到文件 + 结构化 Anchor 锚点保底
关键信息保留	五类锚点（用户意图/进度/决策/尝试/下一步）程序化可校验
全链路可追踪	CompactionRecord 记录每次压缩的完整细节，持久化到 JSONL
跨轮增量更新	内部状态追踪上次摘要，增量合并避免信息叠加丢失
向后兼容	实现 Compactor + ForceCompactor + RecordedCompactor 三接口

1.2 核心架构

                    CompactWithRecord(msgs)
                            │
                    ┌───────▼────────┐
                    │ determineTier() │ ── ratio = EstimateTokens(msgs) / ContextWindow
                    └───────┬────────┘
                            │
          ┌─────────┬───────┼───────┬──────────┐
          │         │       │       │          │
      TierNone   TierWarn  TierSoft  TierFull  TierEmergency
      (<60%)     (60-70%)  (70-80%)  (80-95%)  (≥95%)
          │         │       │       │          │
       原样返回   offload   offload  offload   强制截断
                  only      +摘要½   +摘要全   (Fallback)
                  head      head     head
                            +锚点    +锚点

---

2. 分层压缩机制

2.1 四层 Tier 定义

type CompactionTier int

const (
    TierNone      CompactionTier = iota // <60%: 无需压缩
    TierWarn                            // 60-70%: 仅 offload 大结果
    TierSoft                            // 70-80%: offload + 摘要最旧 1/2 head
    TierFull                            // 80-95%: offload + 摘要全 head + anchor
    TierEmergency                       // ≥95%: 强制截断回退
)

2.2 触发时机判定

每个 Turn 在 LLM 调用前，CompactWithRecord 被调用。它首先通过 determineTier 判定当前应触发哪个档位：

func (c *ProgressiveCompactor) determineTier(msgs []schema.Message) CompactionTier {
    if c.ContextWindow <= 0 {
        return TierNone
    }
    ratio := float64(EstimateTokens(msgs)) / float64(c.ContextWindow)
    switch {
    case ratio >= c.EmergencyThreshold: return TierEmergency
    case ratio >= c.FullThreshold:      return TierFull
    case ratio >= c.SoftThreshold:      return TierSoft
    case ratio >= c.WarnThreshold:      return TierWarn
    default:                            return TierNone
    }
}

token 估算：使用 EstimateTokens(msgs) = 字符总数 ÷ 4（业界标准近似值，误差 ±10%）。实际 token 用量在 LLM 调用后从 API 响应 usage 字段提取，用于 TUI 展示校正。

阈值默认值与可配置性：

阈值	默认值	含义
WarnThreshold	0.60	开始 offload 大结果
SoftThreshold	0.70	开始 LLM 摘要
FullThreshold	0.80	全量摘要 + anchor
EmergencyThreshold	0.95	紧急截断保命
OffloadThreshold	4000 字符	head 中 tool_result 超此值则 offload
MinTailMessages	6	尾部强制保留条数

2.3 各 Tier 数据流

TierNone（< 60%）

无需压缩，原样返回 msgs。record.Tier = TierNone，不触发任何副作用。

TierWarn（60% - 70%）

输入: [system, m1, m2, ..., mN]

1. 分割: head = msgs[1 : N-MinTail], tail = msgs[N-MinTail :]
2. offload head 中大 tool_result:
   for each msg in head:
     if msg.ToolCallID != "" && len(msg.Content) > OffloadThreshold:
       写入文件, msg.Content = 占位符
3. 返回 [system, ...offloaded-head, ...tail]
4. 无 LLM 调用，无锚点提取

record: { Offloaded: [...], Summarized: 0, PreservedTail: len(tail) }

TierWarn 是最轻量的压缩：仅将 head 中的大 tool_result 移到文件，消息结构不变，tool_call/tool_result 配对完整保留。这是一个预防性操作——在真正需要摘要之前先释放空间。

TierSoft（70% - 80%）

输入: [system, m1, m2, ..., mN]

1. 分割: head = msgs[1 : N-MinTail], tail = msgs[N-MinTail :]
2. head 再分: headOldest = head[:len/2], headRecent = head[len/2:]
3. LTM 提取 (fail-open): extractor.Extract(headOldest)
4. offload headOldest 中大 tool_result
5. LLM 摘要 headOldest + 锚点提取 (增量合并)
6. 返回 [system, compactionMsg, ...headRecent, ...tail]

record: { Anchors: [...], Offloaded: [...], Summarized: len(headOldest),
          PreservedTail: len(tail) + len(headRecent), SummaryText: "..." }

TierSoft 只摘要 head 的前半部分，保留后半部分原文。这在压缩率和上下文连续性之间取得平衡——较新的 head 消息仍以原文形式留在 context 中。

TierFull（80% - 95%）

输入: [system, m1, m2, ..., mN]

1. 分割: head = msgs[1 : N-MinTail], tail = msgs[N-MinTail :]
2. LTM 提取 (fail-open): extractor.Extract(head)
3. offload head 中全部大 tool_result
4. LLM 摘要整个 head + 锚点提取 (增量合并)
5. 返回 [system, compactionMsg, ...tail]

record: { Anchors: [...], Offloaded: [...], Summarized: len(head),
          PreservedTail: len(tail), SummaryText: "..." }

TierFull 是主要的压缩档位：整个 head 被摘要为一条 [Context Compaction] 消息，仅保留尾部 MinTailMessages 条最近消息。

TierEmergency（≥ 95%）

跳过 LLM 摘要（上下文已接近硬上限，无法承受摘要调用的输入）
直接委托 Fallback.CompactForce(msgs) [TokenBudgetCompactor]

record: { Error: "emergency fallback: forced truncation", PreservedTail: N }

紧急档位是最后防线：不调用 LLM，直接截断到最小尾部。record 中标记 Error 字段供排查。

---

3. Tool-Call Offload 设计

3.1 问题

Agent 执行长任务时，工具调用（如 bash 执行 ls -la /usr）可能产生大量输出。这些 tool_result 消息进入 contextHistory 后持续占用 token。传统方案在压缩时直接将 head 中的 tool_result 交给 LLM 摘要——但 LLM 摘要会丢失原始数据，Agent 后续无法检索完整结果。

3.2 方案：压缩时 Offload

ProgressiveCompactor 在摘要 head 之前，先扫描其中的 tool_result 消息。超过 OffloadThreshold（默认 4000 字符）的，通过 CompactionOffloader 写入文件系统，在 context 中替换为带预览的占位符。

原始 head 消息:
  [user, tool_call_id=tc_001]: "total 128\ndrwxr-xr-x ...(5000 行)..."

offload 后:
  [user, tool_call_id=tc_001]: "[offloaded: .harness9/tool_results/sess1/tc_001.txt | 5000 行 / 128KB]
                                预览（前 10 行）：
                                total 128
                                drwxr-xr-x  8 user  staff   256 ...
                                ...（完整结果已保存至文件，可通过 read_file 检索）"

3.3 CompactionOffloader 实现

type CompactionOffloader struct {
    workDir      string
    sessionID    string
    threshold    int           // 默认 4000
    previewLines int           // 默认 10
    cache        map[string]bool // 已 offload 的 ToolCallID
}

文件路径：{workDir}/.harness9/tool_results/{sessionID}/{toolCallID}.txt（与现有 OffloadHook 目录结构统一）

幂等性缓存：cache map[string]bool 记录已 offload 的 ToolCallID。首次 offload 写文件并记入 cache；后续 turn 遇到同一 ID 跳过写文件直接返回占位符。这避免了每轮压缩重复写同一文件的浪费。

跳过条件（返回 error 表示不 offload）：

• ToolCallID 为空（无法生成稳定文件名）
• 内容长度 ≤ threshold（不够大，不值得 offload）
• 内容以 [输出已保存至 开头（已被 OffloadHook 在工具执行时 offload 过）

fail-open：写入失败时返回 error，调用方保留原文不 offload，不影响整体压缩流程。

3.4 与 OffloadHook 的协作

harness9 有两个独立的 offload 机制：

机制	触发时机	阈值	职责
OffloadHook	工具执行后、消息进入 contextHistory 前	10000 字符	防止超大输出进入历史
CompactionOffloader	压缩时、head 被摘要前	4000 字符	压缩时释放 head 中的大结果

两者互补：OffloadHook 在源头拦截超大输出，CompactionOffloader 在压缩时对已进入历史的中等大小结果（4000-10000 字符）进行 retroactive offload。压缩阈值更低是因为压缩时更积极地省空间。

---

4. Anchors 锚点设计

4.1 问题

传统 LLM 摘要将对话压缩为自由文本，关键信息的保留完全依赖 LLM 的判断。无法程序化校验"用户意图是否被保留"、"关键决策是否被记录"。在多轮压缩后，信息叠加丢失不可避免。

4.2 方案：结构化 Anchor + 散文摘要

ProgressiveCompactor 的 LLM 调用同时产出两种输出：

1. 结构化 Anchors：五类锚点，程序化可校验，保证关键信息不丢失
2. 散文 Summary：补充上下文，anchors 未覆盖的细节

4.3 五类锚点

type AnchorType string

const (
    AnchorUserIntent        AnchorType = "user_intent"         // 用户真实意图
    AnchorExecutionProgress AnchorType = "execution_progress"  // 当前执行进度
    AnchorKeyDecision       AnchorType = "key_decision"        // 已做出的关键决策
    AnchorTriedSolution     AnchorType = "tried_solution"      // 已尝试的解决方案
    AnchorNextStep          AnchorType = "next_step"           // 下一步需执行的工作
)

每类锚点对应 Agent 执行过程中最关键的信息维度：

• UserIntent：防止压缩后 Agent "忘记"用户最初想做什么
• ExecutionProgress：已完成的里程碑，避免重复执行
• KeyDecision：架构/技术选型等决策及其理由
• TriedSolution：已尝试但失败的方案及原因，避免重蹈覆辙
• NextStep：待执行的后续工作，保证任务连续性

4.4 LLM Prompt 设计

首次压缩使用 compactionFirstTemplate：

Produce a structured compaction of the following conversation in this exact format:

## Anchors

### User Intent
<one concise sentence>

### Execution Progress
- <key milestone>

### Key Decisions
- <decision: rationale>

### Tried Solutions
- <approach: outcome>

### Next Steps
- <pending task>

## Summary
<supplementary context not captured in anchors>

Rules:
- Each anchor section MUST be present (use "- N/A" if nothing applies)
- Be concise: each item one line
- [offloaded: ...] entries indicate large outputs saved to files

Conversation:
{conversation text}

增量更新使用 compactionIncrementalTemplate：

Update the existing compaction by merging in new conversation content.

<previous-compaction>
{previous anchors + summary}
</previous-compaction>

New conversation to merge:
{new conversation text}

4.5 解析与容错

ParseAnchorsAndSummary 从 LLM 输出中提取结构化数据：

1. 按 ### header 分割，匹配 anchorHeaderMap 映射到 AnchorType
2. 每个 section 的内容（去掉 header 行）作为 Content
3. 缺失的 AnchorType 填充 Content="N/A"，保证返回的 []Anchor 始终包含全部五类
4. ## Summary 之后的内容提取为 SummaryText，未找到则返回空字符串

这保证了即使 LLM 输出不完整或格式异常，程序化校验时结构始终完整。

4.6 增量合并

MergeAnchors(old, new []Anchor) []Anchor 在增量更新时合并新旧锚点：

• 新 anchors 中非 "N/A" 的值覆盖旧的同类型值
• 旧 anchors 中未被新 anchors 覆盖的非 "N/A" 值保留（取并集）
• 始终返回按 allAnchorTypes 顺序排列、长度为 5 的锚点切片

为什么需要并集：LLM 在增量更新时可能遗漏旧的锚点（如上次记录的 KeyDecision 在新输出中未提及）。并集合并保证旧的关键信息不被丢弃。

4.7 跨轮增量更新机制

ProgressiveCompactor 通过内部状态而非 contextHistory 中的 marker 实现增量更新：

type ProgressiveCompactor struct {
    // ...
    lastSummary string    // 上次压缩的摘要文本
    lastAnchors []Anchor  // 上次压缩的锚点列表
}

为什么用 Compactor 内部状态而非历史 marker 检测：逐轮视图时代 compactionMsg 不会进入下一轮输入，marker 检测无从谈起；写回式压缩（§8.2）后 compactionMsg 会随压缩产物进入历史，但内部状态追踪仍更可靠——降级截断轮不产生 compactionMsg、多次压缩的 marker 归属易混淆，且状态追踪不依赖对历史文本的解析。

压缩成功后调用 updateLastState(summary, anchors) 更新内部状态。下次压缩时 summarizeAndExtract 检测 lastSummary 非空则走增量模板。

4.8 压缩消息格式

压缩后注入 context 的消息格式：

[Context Compaction]
## Anchors

### User Intent
Build a REST API server with chi router

### Execution Progress
- Set up project structure
- Implemented routing

### Key Decisions
- Using chi router for performance

### Tried Solutions
- Tried gin: too heavy

### Next Steps
- Add authentication
- Write tests

## Summary
The project uses Go 1.25 with chi router. Main file is cmd/server/main.go.

## Offloaded References
- .harness9/tool_results/sess1/tc_001.txt (5000行) - offloaded tool result

## Active Tasks
[>] Set up middleware
[ ] Add health endpoint

---

5. 可观测性实现

5.1 CompactionRecord

每次压缩生成完整的 CompactionRecord，记录保留/压缩/offload 的细粒度信息：

type CompactionRecord struct {
    ID               string         `json:"id"`               // UUID
    SessionID        string         `json:"session_id"`       // 会话 ID
    Timestamp        time.Time      `json:"timestamp"`        // 压缩时间
    Tier             CompactionTier `json:"tier"`             // 触发档位

    TokensBefore     int            `json:"tokens_before"`    // 压缩前 token 数
    TokensAfter      int            `json:"tokens_after"`     // 压缩后 token 数
    MsgsBefore       int            `json:"msgs_before"`      // 压缩前消息数
    MsgsAfter        int            `json:"msgs_after"`       // 压缩后消息数

    Anchors          []Anchor       `json:"anchors"`          // 保留的锚点
    Offloaded        []OffloadEntry `json:"offloaded"`        // offload 的消息
    Summarized       int            `json:"summarized"`       // 被摘要的消息条数
    PreservedTail    int            `json:"preserved_tail"`   // 原样保留的尾部条数
    SummaryText      string         `json:"summary_text"`     // LLM 摘要正文

    CompressionRatio float64        `json:"compression_ratio"` // TokensAfter / TokensBefore
    Duration         time.Duration  `json:"duration"`          // 压缩耗时
    Error            string         `json:"error,omitempty"`   // 非空表示有问题
}

5.2 RecordStore 持久化

type RecordStore interface {
    Append(record CompactionRecord) error
    List(sessionID string) ([]CompactionRecord, error)
}

FileRecordStore 将记录以 JSONL（JSON Lines）格式追加写入文件：

• 路径：~/.harness9/compaction_records/{sessionID}.jsonl
• 每行一条 JSON 记录，追加写入（append-only）
• List 按写入顺序读取，支持 1MB 行缓冲

fail-open：持久化失败仅 log warning，不影响压缩结果返回。

5.3 事件系统

EventCompaction 事件携带完整的 CompactionRecord：

// engine/stream.go
compaction: func(record memory.CompactionRecord) {
    sendEvent(ctx, ch, Event{Type: EventCompaction, Data: record})
},

引擎通过 applyCompactionWith 的类型断言检测 RecordedCompactor：

func (e *AgentEngine) applyCompactionWith(comp memory.Compactor, msgs []schema.Message) ([]schema.Message, *memory.CompactionRecord) {
    if comp == nil {
        return msgs, nil
    }
    if rc, ok := comp.(memory.RecordedCompactor); ok {
        result, record := rc.CompactWithRecord(msgs)
        return result, &record
    }
    return comp.Compact(msgs), nil
}

5.4 TUI 展示

TUI 收到 EventCompaction 后展示双行富信息通知，Tier 用文字标签区分：

TierFull:
⚡ 上下文压缩 [Full] 45.2K→8.1K tokens（82% 压缩率）
   5 锚点 | 3 offload(42KB) | 28 条摘要 | 保留尾部 6 条

TierWarn:
⚡ 上下文压缩 [Warn] 76.8K→72.3K tokens（6% 压缩率）
   2 offload(18KB) | 无摘要

TierEmergency:
⚡ 上下文压缩 [Emergency] 98.5K→12.0K tokens（88% 压缩率）
   ⚠ 紧急截断回退 | 保留尾部 1 条

5.5 级联 GC

Manager.DeleteSession 删除会话时级联清理：

• tool_results/{sessionID}/ 目录（已有）
• compaction_records/{sessionID}.jsonl 文件（新增）

通过 WithCompactionRecordsDir ManagerOption 配置。

---

6. 错误处理与回退

6.1 分层 fail-open 策略

每个环节独立失败，不中断整体压缩：

环节	失败行为	记录
Offload 写文件	保留原文不 offload，继续摘要	record.Error 追加
LTM 提取	静默跳过（已有 fail-open）	无
LLM 摘要调用	回退到 Fallback.Compact(msgs)	record.Error 记录原因
Anchor 解析	提取已识别锚点，缺失类型填 "N/A"	record.Error 追加
RecordStore 持久化	静默跳过，仅 log warning	不影响 record 返回

6.2 LLM 失败回退链

TierSoft/TierFull LLM 调用失败
  → fallbackCompact(msgs, reason)
    → c.fallback().Compact(msgs)  [TokenBudgetCompactor]
      → 截断至 MaxTokens 预算内
      → repairOrphanedToolPairs 修复
  → record.Error = "LLM summary failed in TierXxx"

6.3 Emergency 回退

TierEmergency 不调用 LLM，直接委托 Fallback.CompactForce(msgs)（TokenBudgetCompactor 的强制截断模式），record 标记 Error="emergency fallback: forced truncation"。截断视图无条件保留首条任务消息（任务锚点），再从最新消息向前按预算贪心纳入、单条超预算即跳过——issue #117 E2E 实测表明，丢掉任务锚点的紧急视图会让模型失忆空转（连续 143 轮 Emergency、任务失败）。同时 Emergency 截断视图会写回历史并持久化（与 LLM 摘要失败的瞬时回退不同），使下一轮占比收敛、Soft/Full 摘要得以恢复工作。

---

7. 接口设计

7.1 三接口实现

ProgressiveCompactor 同时实现三个接口：

// 基础接口（所有 Compactor 必须实现）
type Compactor interface {
    Compact(msgs []schema.Message) []schema.Message
}

// 强制压缩（手动 /compact 命令）
type ForceCompactor interface {
    Compactor
    CompactForce(msgs []schema.Message) []schema.Message
}

// 带记录的压缩（引擎类型断言检测）
type RecordedCompactor interface {
    Compactor
    CompactWithRecord(msgs []schema.Message) ([]schema.Message, CompactionRecord)
}

• Compact() → 调用 CompactWithRecord() 并丢弃 record（向后兼容）
• CompactForce() → 直接执行 TierEmergency（手动 /compact 命令）
• CompactWithRecord() → 主入口，检测 tier 并委托对应方法

7.2 构造选项

func NewProgressiveCompactor(p Summarizer, contextWindow int, opts ...ProgressiveOption) *ProgressiveCompactor

// 可注入的协作组件
WithProgressiveTodoInjector(ti TodoInjector)        // 活跃任务注入
WithProgressiveMemoryExtractor(ex MemoryExtractor)  // LTM 提取
WithProgressiveRecordStore(rs RecordStore)          // 压缩记录持久化
WithProgressiveOffloader(o *CompactionOffloader)    // 工具结果 offload
WithProgressiveSessionID(id string)                 // 会话 ID

---

8. 与引擎的集成

8.1 runLoop 中的压缩时序

每个 Turn:
  1. availableTools = registry.GetAvailableTools()
  2. compactedHistory, record = applyCompactionWith(comp, contextHistory)
  3. if record != nil:
       writeBackCompaction(compactedHistory, *record)
         → 压缩真正生效时（无降级 Error 且消息数减少或有 offload）：
           contextHistory = compactedHistory（写回）
           session: Clear + 写入压缩产物（失败则独立 ctx 回滚 + 保留原历史）
       if record.Tier != TierNone:
         em.compaction(*record)  → 发出 EventCompaction
  4. em.tokenUpdate(totalTokens, contextWindow)  → TUI 展示
  5. responseMsg = em.generate(compactedHistory, availableTools)  → LLM 调用
  6. if usage != nil: em.tokenUpdate(usage.InputTokens)  → 实际值校正
  7. contextHistory = append(contextHistory, responseMsg)  → 写回后的历史继续增长

8.2 写回式压缩设计（issue #117）

• contextHistory：引擎本地历史。Recorded 压缩器真正生效时被替换为压缩产物并持久化
• compactedHistory：当轮 LLM 输入视图；压缩生效时它同时成为新的 contextHistory
• 写回门控：仅 Recorded 压缩器 + 记录无降级 Error + 有实际削减（消息数减少或发生 offload）；非 Recorded 压缩器保持纯视图语义
• 降级写回分级：TierEmergency（真性容量溢出，全量历史已无法通过 API 发送）的截断视图写回历史并持久化——这是唯一恢复路径，下一轮占比收敛后 Soft/Full 摘要可重新工作，否则每轮都会重新 Emergency（实测 200 轮级截断循环）；LLM 摘要失败的回退截断（Soft/Full + Error）不写回，只作用于当轮视图，下一轮可重试真正的摘要
• 失败回滚：Session 侧 Clear 后写回失败时，用独立 5s ctx 精确恢复持久化边界内 （history[:startLen]）的原始历史；引擎侧保留原历史，本轮仍以压缩视图作为 LLM 输入
• 防御性拷贝：offload 占位符只写入 head 的拷贝，绝不原地改写调用方切片—— 修复前 offloadHead 经共享底层数组永久改写 contextHistory，导致 token 占比 塌缩、高级 tier 难以触发（issue #117 别名 bug，回归测试覆盖）
• offloader cache 保证不重复写同一文件

8.3 手动 /compact 命令

engine.Compact() 方法支持手动触发强制压缩：

func (e *AgentEngine) Compact(ctx context.Context) (memory.CompactionRecord, error) {
    // 加载历史 → 注入 system prompt → 调用 CompactForce → 剥离 system → 写回 session
    if rc, ok := comp.(memory.RecordedCompactor); ok {
        compactedWithSystem, record = rc.CompactWithRecord(withSystem)
    } else if fc, ok := comp.(memory.ForceCompactor); ok {
        compactedWithSystem = fc.CompactForce(withSystem)
    } else {
        compactedWithSystem = comp.Compact(withSystem)
    }
    // 清空 session → 写回压缩后历史 → 返回 record
}

---

9. 涉及文件

文件	职责
internal/memory/progressive_compactor.go	ProgressiveCompactor 主实现
internal/memory/anchor.go	Anchor 类型 + ParseAnchorsAndSummary + MergeAnchors
internal/memory/compaction_offloader.go	CompactionOffloader + OffloadEntry
internal/memory/record_store.go	CompactionRecord + CompactionTier + RecordStore + FileRecordStore
internal/memory/compaction.go	RecordedCompactor 接口 + repairOrphanedToolPairs
internal/engine/history.go	applyCompactionWith + writeBackCompaction/persistCompacted（压缩适配与写回）
internal/engine/loop_phases.go	prepareTurnInput 中的 runLoop 压缩集成
internal/engine/stream.go	EventCompaction 携带 CompactionRecord
internal/engine/compact.go	手动 /compact 适配 RecordedCompactor
internal/memory/manager.go	WithCompactionRecordsDir + 级联 GC
cmd/harness9/main.go	默认使用 ProgressiveCompactor + 初始化 RecordStore/Offloader
cmd/harness9/tui_update.go	双行压缩通知展示

---

10. 设计决策总结

决策	原因
四层渐进阈值	避免"要么不压要么全压"的突变，60% 开始预防性 offload
压缩写回（write-back）	逐轮视图在过阈后每轮重跑压缩（Soft/Full 每轮多一次 LLM 摘要、伪增量重喂全部 head 原文）；写回让一次压缩持续生效多轮，各 tier 递进触发（issue #117）
内部状态增量更新	降级轮不产生 compactionMsg、marker 归属易混淆，内部状态追踪不依赖历史文本解析，更可靠
Anchor + 散文双层	Anchor 是程序化可校验的保底信息，散文是补充上下文
缺失 Anchor 填 N/A	保证 []Anchor 始终 5 条，程序化校验结构完整
增量合并取并集	防止 LLM 增量更新时遗漏旧锚点
offload 阈值 4000 < OffloadHook 10000	压缩时更积极省空间，retroactive offload 中等大小结果
offloader cache 幂等	避免每轮压缩重复写同一文件
TierEmergency 跳过 LLM	95% 时上下文接近硬上限，无法承受摘要调用的输入
Emergency 保留任务锚点	紧急截断丢掉首条任务消息会让模型失去目标空转（issue #117 E2E 实测），锚点保底 + 预算贪心让紧急视图保住最小可工作上下文
CompactionRecord JSONL 持久化	追加写入高效，每行一条记录易解析，fail-open 不影响压缩
三接口实现	向后兼容 Compact/ForceCompactor，新增 RecordedCompactor 供引擎类型断言