dsh-context-budget

在本地 GPU 上跑大模型时，模型宣称的上下文窗口往往远大于硬件实际能高效处理的范围。一个 27B 模型号称支持 256K 上下文，但 prefill 速度在刚过 100K 时可能从 300 tokens/s 骤降到 70 tokens/s，GPU 甚至在窗口填满之前就卡死。dsh 原生的压缩机制按固定比例触发，完全不感知实际性能，结果就是对话前几轮秒回、后几轮等半小时甚至直接挂起。

dsh-context-budget 在每一步 agent 行动前对每个受保护的 provider 路由做三项实时检查：硬 token 上限（hardCeilingTokens）、上轮首 token 延迟（maxTtftMs）、以及基于已测 prefill 速率预测的冷缓存等待时间（maxColdPrefillMs）。prefill 速率来自 dsh 自身的 usage 报告和 wall-clock 计时，不直接和模型服务器通信，因此对任何 dsh 流式 provider 都适用。任意一项超标即触发响应，未配置的项自动跳过。

触发时插件可选择 warn 或 compact 两种动作。warn 在 dsh 终端打印一行诊断信息，标注触发的检查项、当前值以及现在压缩的预估成本；compact 则调用 dsh 的压缩引擎，保留最近 retainTokens 条消息并在工具调用边界截断，执行结果同样打印。由于本地冷压缩本身有代价，较低的阈值搭配较大的 retainTokens 通常比频繁小压缩更划算。

适合在本地 GPU 上用 dsh 跑大模型、希望上下文压缩由实际性能而非固定比例驱动的使用者。它和 dsh 内置的 compaction-basic 并行工作，后者仍保持自己的静态阈值，本插件在此基础上叠加动态测量检查和成本估算，两者不冲突。