上下文压缩与缓存

Hermes Agent 使用双重压缩系统和 Anthropic prompt 缓存来高效管理长对话中的上下文窗口使用。

源文件：agent/context_engine.py（ABC）、agent/context_compressor.py（默认引擎）、agent/prompt_caching.py、gateway/run.py（会话清理）、run_agent.py（搜索 _compress_context）

可插拔的上下文引擎

上下文管理建立在 ContextEngine ABC（agent/context_engine.py）之上。内置的 ContextCompressor 是默认实现，但插件可以用替代引擎替换它（例如 Lossless Context Management）。

context:
  engine: "compressor"    # 默认 — 内置有损摘要
  engine: "lcm"           # 示例 — 提供无损上下文的插件

引擎负责：

决定何时触发压缩（should_compress()）
执行压缩（compress()）
可选地暴露 agent 可以调用的工具（如 lcm_grep）
跟踪 API 响应的 token 使用

通过 config.yaml 中的 context.engine 进行配置驱动选择。解析顺序：

检查 plugins/context_engine/<name>/ 目录
检查通用插件系统（register_context_engine()）
回退到内置的 ContextCompressor

插件引擎永远不会自动激活——用户必须显式设置 context.engine 为插件的名称。默认的 "compressor" 始终使用内置引擎。

通过 hermes plugins → Provider Plugins → Context Engine 配置，或直接编辑 config.yaml。

构建上下文引擎插件的详细说明，请参阅上下文引擎插件。

双重压缩系统

Hermes 有两个独立的压缩层，各自独立运行：

                     ┌──────────────────────────┐
  入站消息           │   网关会话清理             │  在上下文 85% 时触发
  ─────────────────► │   （agent 前，粗略估算）   │  大型会话的安全网
                     └─────────────┬────────────┘
                                   │
                                   ▼
                     ┌──────────────────────────┐
                     │   Agent ContextCompressor │  在上下文 50% 时触发（默认）
                     │   （循环内，真实 token）   │  正常的上下文管理
                     └──────────────────────────┘

1. 网关会话清理（85% 阈值）

位于 gateway/run.py（搜索 Session hygiene: auto-compress）。这是一个安全网，在 agent 处理消息之前运行。防止 turn 之间会话增长过大导致 API 失败（例如 Telegram/Discord 中的隔夜积累）。

阈值：固定为模型上下文长度的 85%
Token 来源：优先使用上次 turn 的实际 API 报告 token；回退到基于字符的粗略估算（estimate_messages_tokens_rough）
触发条件：仅当 len(history) >= 4 且启用了压缩时
目的：捕获逃脱了 agent 自身压缩器的会话

网关清理阈值有意高于 agent 的压缩器。设置为 50%（与 agent 相同）会导致长 gateway 会话中每 turn 都过早压缩。

2. Agent ContextCompressor（50% 阈值，可配置）

位于 agent/context_compressor.py。这是主要压缩系统，在 agent 的工具循环内运行，可以访问准确的、API 报告的 token 计数。

配置

所有压缩设置从 config.yaml 的 compression 键读取：

compression:
  enabled: true              # 启用/禁用压缩（默认：true）
  threshold: 0.50            # 上下文窗口的比例（默认：0.50 = 50%）
  target_ratio: 0.20         # 作为尾部保留的阈值比例（默认：0.20）
  protect_last_n: 20         # 最少保护的尾部消息数（默认：20）

# 摘要模型/provider 在 auxiliary 下配置：
auxiliary:
  compression:
    model: null              # 覆盖摘要使用的模型（默认：自动检测）
    provider: auto           # Provider："auto"、"openrouter"、"nous"、"main" 等
    base_url: null           # 自定义 OpenAI 兼容端点

参数详情

参数	默认值	范围	描述
`threshold`	`0.50`	0.0-1.0	当 prompt token >= `threshold × context_length` 时触发压缩
`target_ratio`	`0.20`	0.10-0.80	控制尾部保护的 token 预算：`threshold_tokens × target_ratio`
`protect_last_n`	`20`	>=1	始终保留的最近消息的最小数量
`protect_first_n`	`3`	（硬编码）	系统提示 + 首次交换始终保留

计算示例（200K 上下文模型，默认值）

context_length       = 200,000
threshold_tokens     = 200,000 × 0.50 = 100,000
tail_token_budget    = 100,000 × 0.20 = 20,000
max_summary_tokens   = min(200,000 × 0.05, 12,000) = 10,000

压缩算法

ContextCompressor.compress() 方法遵循 4 阶段算法：

阶段 1：修剪旧工具结果（低成本，无 LLM 调用）

受保护尾部之外的旧工具结果（>200 字符）被替换为：

[旧工具输出已清除以节省上下文空间]

这是一个低成本的预扫描，从冗长的工具输出（文件内容、终端输出、搜索结果）中节省大量 token。

阶段 2：确定边界

┌─────────────────────────────────────────────────────────────┐
│  消息列表                                                   │
│                                                             │
│  [0..2]  ← protect_first_n（系统 + 首次交换）               │
│  [3..N]  ← 中间 turn → 摘要化                               │
│  [N..end] ← 尾部（按 token 预算或 protect_last_n）          │
│                                                             │
└─────────────────────────────────────────────────────────────┘

尾部保护是基于 token 预算的：从末尾向前遍历，累计 token 直到预算耗尽。如果预算保护的消息少于 protect_last_n 固定数量，则回退到该固定数量。

边界会对齐以避免拆分 tool_call/tool_result 组。_align_boundary_backward() 方法向前跳过连续的工具结果，找到父 assistant 消息，保持组完整。

阶段 3：生成结构化摘要

摘要模型上下文长度

摘要模型的上下文窗口必须至少与主 agent 模型的一样大。整个中间部分在一个 call_llm(task="compression") 调用中发送给摘要模型。如果摘要模型的上下文较小，API 会返回 context-length 错误——_generate_summary() 会捕获它，记录警告，并返回 None。压缩器然后不带摘要地丢弃中间 turn，静默丢失对话上下文。这是压缩质量下降的最常见原因。

中间 turn 使用辅助 LLM 和结构化模板进行摘要：

## 目标
[用户正在尝试完成的事情]

## 约束与偏好
[用户偏好、编码风格、约束、重要决策]

## 进展
### 已完成
[已完成的工作 — 具体文件路径、运行的命令、结果]
### 进行中
[正在进行的工作]
### 受阻
[遇到的障碍或问题]

## 关键决策
[重要的技术决策及其原因]

## 相关文件
[读取、修改或创建的文件 — 附简短说明]

## 下一步
[接下来需要做的事情]

## 关键上下文
[具体的值、错误消息、配置详情]

摘要预算随压缩内容量成比例缩放：

公式：content_tokens × 0.20（_SUMMARY_RATIO 常量）
最小值：2,000 token
最大值：min(context_length × 0.05, 12,000) token

阶段 4：组装压缩后的消息

压缩后的消息列表为：

头部消息（首次压缩时在系统提示后追加注释）
摘要消息（角色选择以避免连续相同角色违规）
尾部消息（未修改）

孤立的 tool_call/tool_result 对由 _sanitize_tool_pairs() 清理：

引用已删除调用的工具结果 → 移除
结果被移除的工具调用 → 注入存根结果

迭代重新压缩

在后续压缩中，之前的摘要会传递给 LLM，指示更新而非从头摘要。这在多次压缩间保留信息——项目从"进行中"移到"已完成"，添加新进展，移除过时信息。

压缩器实例上的 _previous_summary 字段为此目的存储上次的摘要文本。

压缩前后示例

压缩前（45 条消息，约 95K token）

[0] system:    "You are a helpful assistant..." （系统提示）
[1] user:      "帮我搭建一个 FastAPI 项目"
[2] assistant:  [terminal: mkdir project]
[3] tool:      "目录已创建"
[4] assistant:  [write_file: main.py]
[5] tool:      "文件已写入 (2.3KB)"
    ... 30 多轮文件编辑、测试、调试 ...
[38] assistant:  [terminal: pytest]
[39] tool:      "8 通过, 2 失败\n..."  （5KB 输出）
[40] user:      "修复失败的测试"
[41] assistant:  [read_file: tests/test_api.py]
[42] tool:      "import pytest\n..."  （3KB）
[43] assistant: "我看到了测试 fixtures 的问题..."
[44] user:      "好的，也加上错误处理"

压缩后（25 条消息，约 45K token）

[0] system:    "You are a helpful assistant...
               [注意：部分较早的对话 turn 已被压缩...]"
[1] user:      "帮我搭建一个 FastAPI 项目"
[2] assistant: "[上下文压缩] 较早的 turn 已被压缩...

               ## 目标
               搭建一个带有测试和错误处理的 FastAPI 项目

               ## 进展
               ### 已完成
               - 创建了项目结构：main.py、tests/、requirements.txt
               - 在 main.py 中实现了 5 个 API 端点
               - 在 tests/test_api.py 中编写了 10 个测试用例
               - 8/10 测试通过

               ### 进行中
               - 修复 2 个失败的测试（test_create_user、test_delete_user）

               ## 相关文件
               - main.py — FastAPI 应用，包含 5 个端点
               - tests/test_api.py — 10 个测试用例
               - requirements.txt — fastapi、pytest、httpx

               ## 下一步
               - 修复失败的测试 fixtures
               - 添加错误处理"
[3] user:      "修复失败的测试"
[4] assistant:  [read_file: tests/test_api.py]
[5] tool:      "import pytest\n..."
[6] assistant: "我看到了测试 fixtures 的问题..."
[7] user:      "好的，也加上错误处理"

Prompt 缓存（Anthropic）

源文件：agent/prompt_caching.py

通过缓存对话前缀，在多轮对话中减少约 75% 的输入 token 成本。使用 Anthropic 的 cache_control 断点。

策略：system_and_3

Anthropic 每个请求最多允许 4 个 cache_control 断点。Hermes 使用"system_and_3"策略：

断点 1：系统提示                    （所有 turn 中保持不变）
断点 2：倒数第 3 条非系统消息       ─┐
断点 3：倒数第 2 条非系统消息         ├─ 滑动窗口
断点 4：最后一条非系统消息           ─┘

工作原理

apply_anthropic_cache_control() 深拷贝消息并注入 cache_control 标记：

# 缓存标记格式
marker = {"type": "ephemeral"}
# 或 1 小时 TTL：
marker = {"type": "ephemeral", "ttl": "1h"}

标记根据内容类型以不同方式应用：

内容类型	标记位置
字符串内容	转换为 `[{"type": "text", "text": ..., "cache_control": ...}]`
列表内容	添加到最后一个元素的字典中
None/空	添加为 `msg["cache_control"]`
工具消息	添加为 `msg["cache_control"]`（仅限原生 Anthropic）

缓存感知设计模式

稳定的系统提示：系统提示是断点 1，在所有 turn 中被缓存。避免在对话中途修改它（压缩只在首次压缩时追加注释）。
消息顺序很重要：缓存命中需要前缀匹配。在中间添加或删除消息会使之后的所有缓存失效。
压缩缓存交互：压缩后，压缩区域的缓存失效，但系统提示缓存存活。滑动的 3 消息窗口在 1-2 turn 内重新建立缓存。
TTL 选择：默认为 5m（5 分钟）。对于用户在 turn 之间休息的长会话使用 1h。

启用 Prompt 缓存

Prompt 缓存在以下条件满足时自动启用：

模型是 Anthropic Claude 模型（通过模型名称检测）
Provider 支持 cache_control（原生 Anthropic API 或 OpenRouter）

# config.yaml — TTL 可配置
model:
  cache_ttl: "5m"   # "5m" 或 "1h"

CLI 在启动时显示缓存状态：

💾 Prompt 缓存：已启用（Claude via OpenRouter，5m TTL）

上下文压力警告

Agent 在压缩阈值的 85% 时发出上下文压力警告（不是上下文的 85%——是阈值的 85%，而阈值本身是上下文的 50%）：

⚠️  上下文已达压缩阈值的 85%（42,500/50,000 token）

压缩后，如果使用量降至阈值 85% 以下，警告状态清除。如果压缩未能将使用量降至警告水平以下（对话太密集），警告持续存在，但压缩不会再次触发，直到超过阈值。

📝 本文由 AI 翻译，如有疑问请参考英文原版

可插拔的上下文引擎​

双重压缩系统​

1. 网关会话清理（85% 阈值）​

2. Agent ContextCompressor（50% 阈值，可配置）​

配置​

参数详情​

计算示例（200K 上下文模型，默认值）​

压缩算法​

阶段 1：修剪旧工具结果（低成本，无 LLM 调用）​

阶段 2：确定边界​

阶段 3：生成结构化摘要​

阶段 4：组装压缩后的消息​

迭代重新压缩​

压缩前后示例​

压缩前（45 条消息，约 95K token）​

压缩后（25 条消息，约 45K token）​

Prompt 缓存（Anthropic）​

策略：system_and_3​

工作原理​

缓存感知设计模式​

启用 Prompt 缓存​

上下文压力警告​