dsh-argp

在大语言模型推理中，传统摘要式压缩方法常因调用 LLM 重写历史而导致成本高昂、信息失真且压缩率难以精确控制。dsh-argp 提供了一种全新思路：基于原子引用图剪枝，实现零 LLM 调用的上下文压缩。它通过分析对话中的逻辑链依赖拓扑，自动保留被引用的关键内容，移除孤立信息，从而确保压缩过程确定、透明且压缩率精确可预测。这种选择性遗忘而非重写的机制，大幅降低了推理成本，同时通过内置的召回工具保障了信息可追溯性。

该插件的核心能力在于其引擎无关的接缝设计和严格的压缩预算兑现。它作为 DeepSeek Harness 的第三方压缩引擎，可以无缝替代默认方案，无需依赖模型重写历史，压缩阶段完全确定性收敛。无论是在高吞吐场景还是对信息保真度要求严格的任务中，dsh-argp 都能提供稳定可靠的性能，尤其适合开发者、研究者以及需要高效管理超长上下文且对成本敏感的用户群体。