context-pruner

长会话的 agent 工作流会不断积累大量工具调用记录——过时的输出、重复的请求、冗长的错误日志、超大的返回结果——它们悄无声息地吞噬上下文窗口，浪费 Token 预算，也让模型注意力被噪声稀释。context-pruner 正是为此而生：它将一套纯启发式、零模型调用的上下文分诊引擎接入 dsh 官方压缩管线，所有判定确定可测，离线即可运行，无需额外服务。

五个可独立开关的分筛器各司其职：将过时的工具输出归档为精简摘要、折叠重复调用只保留最新一条、用紧凑的错误桩替换失败调用的参数、对超大的工具结果做头尾裁剪、以及修剪过期的推理块。每一项操作都受保护区（最近 N 轮用户消息绝不触碰）和豁免清单（task、skill、write、edit 等状态工具默认受保护）约束。严格的尺寸比较确保只有确实更小的重写才会被采纳，调用对级别的变更以原子组为单位生效。每次分诊都会生成结构化的审计报告，包含各原因计数、节省 Token 数和逐项明细。

它面向在 dsh 上运行多轮多工具 agent 工作流的开发者，希望在无需引入额外模型依赖的前提下，保持上下文窗口始终聚焦于关键信息。如果你需要零成本、确定性、可审计的上下文瘦身方案，context-pruner 即插即用。