dsh-cwl

长周期 Agent 最大的隐性成本是上下文压力。标准的应对方式——让 LLM 对历史做摘要压缩——存在四个结构性缺陷：由摘要器而非任务本身决定保留什么、因果链坍缩为散文、任务中途触发一次完整 LLM 调用、以及在长度压力下压缩本身是已知的幻觉触发源。dsh-cwl 基于 CWL 论文（arXiv:2606.11213）走了另一条路：完全不做摘要。它将对话推断为带类型的 episode 图——探索节点（纯读取/搜索）与动作节点（有副作用的编辑/写入）通过依赖边相连——然后用一套纯确定性、零 LLM 调用的策略分级淘汰：先在探索 episode 中将大体积工具结果替换为短 stub，再整段驱逐已完成且效果已持久化的动作 episode。用户消息在任何阶段均不被触碰。

实际效果上，一次请求内连续调用数十次工具、或多轮长对话中累积的上下文压力，可以在每次 LLM 调用之前被稳定释放而不破坏任务结构。驱逐通过官方 surface-replace 接缝执行，原始事件仍保留在日志中，Agent 可随时调用 cwl_recall 按文件路径回读被驱逐内容。离线 cache-replay 基准测试显示驱逐后 cacheRead 约降低 24%，且跨会话、跨策略表现一致。

适合所有以 DeepSeek Harness 为底座、上下文窗口是瓶颈的场景：多轮长对话、单请求长自主任务、或工具调用持续累积的 Agent 循环。零配置即可使用——上下文压力未超过预算（默认模型窗口 80%）时完全静默，超过后自动生效。