Linux.do社区开发者AfeyGu发布了一款针对DeepSeek Harness（dsh）的开源上下文压缩插件dsh-compaction-tower，代码托管于GitHub，项目完整开源，符合该社区的开源推广规范。该插件的核心目标是长期将对话上下文长度控制在健康范围内，同时避免过度压缩导致关键信息丢失。其设计建立在一个假设之上：越久远的上下文内容重要性越低，因此只需压缩最早的一部分内容即可。具体工作流程为：用户预先设定一个触发线（例如上下文占用达到45%）和一个压缩目标（例如压缩至15%以内）。当上下文长度触及触发线时，插件将上下文按一定大小（如5%）分块，逐块压缩后按顺序替换原文，直到总长度降至目标范围内。若原始材料已全部压缩过，插件还支持对已压缩内容进行二次压缩，并优先替换更底层的历史内容。该项目的一大特色是支持指定独立的压缩模型，在后台提前对历史内容进行总结蒸馏，待真正触发压缩时直接整块替换，实现零LLM调用的块级提交，压缩过程对交互无感知。作者已邀请社区用户试用并征集改进意见，项目定位为DeepSeek Harness生态下的长对话管理辅助工具。
事件分析
上下文窗口管理是大模型长对话与Agent长任务中的经典难题：上下文过长会推高token成本、拖慢推理速度，而简单截断又会丢失关键信息。该项目采用的分层压缩、后台预蒸馏思路，与业界流行的分层记忆方案方向一致，即把早期历史转化为低成本摘要，触发时仅做本地替换。其中零LLM调用提交的设计将压缩成本前置到后台异步完成，对交互体验较为友好，这一工程细节值得关注。不过该方案依赖越久远越不重要的假设，在需要回溯早期代码细节的编程任务中可能存在信息损失风险，压缩质量的评估也缺乏量化基准。后续看点在于该插件与主流Agent框架的集成能力，以及社区对这类轻量级上下文管理工具的实际采纳情况。
核心观点：上下文压缩正从临时截断走向后台预蒸馏的工程化路线，这是AI Agent长任务能否省钱落地的隐形分水岭。
原文链接：Linux.do
