billion-context-dsh

随着对话增长，上下文窗口总有耗尽的时候。许多工具选择硬截断，早期消息被悄悄丢弃，导致模型丢失关键背景。billion-context-dsh 反其道而行：把压缩决定权交还给模型，提供一套上下文压缩工具，让模型自己判断何时压缩、压缩哪些内容，并用高保真摘要保留文件路径、决策与错误信息等关键细节，在回收空间的同时不丢掉重要信息。

它的核心是一组模型工具——compress、decompress、search_context 和 acp_status，配合 /acp 命令与温和的 nudge 提醒。压缩操作会生成 checkpoint 节点，原始内容依然保留在 append-only 会话日志中，因此可恢复、可检索。重复压缩还能形成分层蒸馏，让关键结论不断叠加；每一步都接着前面的成果走，超长任务更容易跑完。

与 DSH 内置的自动压缩不同，它只建议、不强令，摘要由模型亲自书写，没有第二次 LLM 摘要调用。上下文因此始终保持精简，每次请求只携带少量精炼信息，token 消耗更低，却不会因大段统一压缩而丢失细节。

适合使用 DeepSeek Harness 进行长时间对话、复杂编码或研究任务的用户，尤其是那些需要模型持续记住关键决策和错误信息、又担心上下文被悄悄截断的场景。如果你希望把上下文管理变成模型主动、可恢复的过程，而不是被动接受硬上限，这个插件值得一试。