aws-runtime-bridge 1.9.78 → 1.9.80

package/package/acode/dist/compaction.js

@@ -1,919 +1,7 @@
-/**
- * 上下文压缩模块 — 参考 OpenCode compaction.ts 的设计
- *
- * 核心策略：
- * 1. Prune（裁剪）：从旧到新遍历工具输出，超过保护线后用占位符替换内容
- * 2. Summarize（摘要）：将早期对话结构化摘要，保留目标/指令/发现/已完成/相关文件
- *
- * 触发时机：在每次 AI 请求前检测 token 是否溢出，溢出则执行压缩
- *
- * 与 OpenCode 的对应关系：
- * - isOverflow  ↔  SessionCompaction.isOverflow
- * - prune       ↔  SessionCompaction.prune
- * - summarize   ↔  SessionCompaction.process (LLM 摘要的简化版)
- */
-// ============ 常量（与 OpenCode compaction.ts 对齐） ============
-/** 压缩缓冲区：保留这么多 token 的空闲空间，避免压缩过程中溢出 */
-export const COMPACTION_BUFFER = 20_000;
-/**
- * 基础压缩触发比例（兜底默认值，仅用于 contextLimit <= 0 的异常场景）。
- * 正常情况下通过 {@link getCompactionTriggerRatio} 按窗口大小动态分级。
- */
-export const COMPACTION_TRIGGER_RATIO = 0.55;
-/**
- * 压缩触发比例的窗口分级表。
- * 大窗口下压缩成本高（LLM 摘要调用 + 上下文丢失风险），应提高比例充分利用窗口；
- * 小窗口下压缩成本低，可适当降低比例以及时释放空间。
- *
- * | 窗口大小       | 比例  |
- * |---------------|-------|
- * | < 32K         | 0.70  |
- * | 32K - 128K    | 0.75  |
- * | 128K - 512K   | 0.80  |
- * | ≥ 512K        | 0.85  |
- */
-const COMPACTION_TRIGGER_RATIO_TIERS = [
-    [32_000, 0.70],
-    [128_000, 0.75],
-    [512_000, 0.80],
-    [Number.POSITIVE_INFINITY, 0.85],
-];
-/** 按上下文窗口大小返回压缩触发比例（大窗口更高，充分利用空间）。 */
-export function getCompactionTriggerRatio(contextLimit) {
-    if (contextLimit <= 0)
-        return COMPACTION_TRIGGER_RATIO;
-    for (const [limit, ratio] of COMPACTION_TRIGGER_RATIO_TIERS) {
-        if (contextLimit < limit)
-            return ratio;
-    }
-    return 0.85;
-}
-/** Prune 保护线默认值：保留最近 PRUNE_PROTECT token 的工具输出完整。
- *  注意：实际使用时会按 contextLimit 比例调整（见 pruneToolOutputs），
- *  避免在小上下文窗口（如 60k）下保护线过高导致 prune 永不触发。
- */
-export const PRUNE_PROTECT = 40_000;
-/** Prune 最小收益默认值：累计可释放 token 不足此数时跳过修剪。
- *  注意：实际使用时会按 contextLimit 比例调整。
- */
-export const PRUNE_MINIMUM = 20_000;
-/** Prune 保护线占 contextLimit 的比例（取较小者：固定值或比例值） */
-const PRUNE_PROTECT_RATIO = 0.5;
-/** Prune 最小收益占 contextLimit 的比例 */
-const PRUNE_MINIMUM_RATIO = 0.1;
-/** Prune 白名单：这些工具的输出永远不会被裁剪 */
-const PRUNE_PROTECTED_TOOLS = new Set(["skill", "todo_write", "todo_read"]);
-/**
- * 工具重要性等级（数字越小越重要，越优先保护）。
- * 用于 prune 时按重要性排序：裁剪时优先移除低重要性的工具输出。
- */
-const TOOL_IMPORTANCE = {
-    // 最高保护：文件读取和搜索类（结果包含关键上下文）
-    "read_file": 0,
-    "Read": 0,
-    "grep": 0,
-    "Grep": 0,
-    "glob": 0,
-    "Glob": 0,
-    "contextweaver_codebase-retrieval": 0,
-    // 高保护：文件写入和编辑（确认信息）
-    "Edit": 1,
-    "edit": 1,
-    "Write": 1,
-    "write": 1,
-    "write_file": 1,
-    // 中保护：网络请求
-    "webfetch": 2,
-    "WebFetch": 2,
-    "WebSearch": 2,
-    "websearch_web_search_exa": 2,
-    // 低保护：命令行执行（输出通常可丢弃）
-    "bash": 3,
-    "Bash": 3,
-    "run_terminal_command": 3,
-    // 最低保护：UI 操作
-    "playwright_browser_": 4,
-};
-/** 默认重要性（不在 TOOL_IMPORTANCE 中的工具） */
-const DEFAULT_TOOL_IMPORTANCE = 2;
-/**
- * 获取工具的重要性等级。
- * 支持前缀匹配（如 "playwright_browser_navigate" 匹配 "playwright_browser_"）。
- */
-function getToolImportance(toolName) {
-    if (!toolName)
-        return DEFAULT_TOOL_IMPORTANCE;
-    if (TOOL_IMPORTANCE[toolName] !== undefined)
-        return TOOL_IMPORTANCE[toolName];
-    // 前缀匹配（按长度降序）
-    const matches = Object.keys(TOOL_IMPORTANCE)
-        .filter((key) => toolName.startsWith(key))
-        .sort((a, b) => b.length - a.length);
-    if (matches.length > 0) {
-        return TOOL_IMPORTANCE[matches[0]];
-    }
-    return DEFAULT_TOOL_IMPORTANCE;
-}
-/** 默认上下文窗口上限（查找不到模型时使用） */
-const DEFAULT_CONTEXT_LIMIT = 128_000;
-/** 默认最大输出 token */
-const DEFAULT_MAX_OUTPUT = 8_192;
-/** 压缩后保留的最近消息条数。
- *  注意：此值针对 compactable 消息（user/assistant/tool，不含 system）。
- *  设为 8 而非 12，避免在常见场景（4 条 system + 12 条非 system = 16 条总消息）下
- *  removableCount = max(0, 12 - 12) = 0 导致 summarize 完全不生效。
- */
-const COMPACTION_RECENT_MESSAGE_COUNT = 8;
-/** 摘要最大字符数 */
-const COMPACTION_MAX_SUMMARY_CHARS = 6000;
-/** 单条消息预览最大字符数 */
-const COMPACTION_MAX_PREVIEW_CHARS = 500;
-/** 摘要前缀标识 */
-const COMPACTION_SUMMARY_PREFIX = "ACode context compaction summary:";
-/**
- * LLM 摘要 prompt 模板（OpenCode 风格结构化摘要）。
- *
- * 用于 summarizeConversationWithLLM：追加到 user 消息末尾，指导 LLM 按结构化
- * 段落（Goal/Instructions/Discoveries/Accomplished/Files）输出摘要，便于后续
- * 轮次快速恢复上下文。LLM 摘要失败时降级到 rule-based summarizeConversation。
- */
-export const COMPACTION_LLM_PROMPT_TEMPLATE = [
-    "Please summarize the conversation above using the following structured format.",
-    "Keep each section concise but preserve all actionable details.",
-    "",
-    "## Goal",
-    "The user's primary objective in this conversation.",
-    "",
-    "## Instructions",
-    "Standing instructions, constraints, or preferences the user has stated.",
-    "",
-    "## Discoveries",
-    "Key findings, decisions, tool results, file paths, and errors encountered.",
-    "",
-    "## Accomplished",
-    "Tasks that have been completed (do not redo these).",
-    "",
-    "## Files",
-    "Files read, modified, or created with brief context.",
-    "",
-    "Output only the summary, no preamble.",
-].join("\n");
-/** 中文字符 token 估算系数：约 1.5 字符/token */
-const ESTIMATION_CJK_CHARS_PER_TOKEN = 1.5;
-/** ASCII 字符 token 估算系数：约 4 字符/token */
-const ESTIMATION_ASCII_CHARS_PER_TOKEN = 4;
-/**
- * Token 估算安全填充系数。
- * 参考 Claude Code 的 ×4/3 策略：本地估算始终比实际 token 数偏小，
- * 乘以安全系数确保估算值 >= 实际值，避免在溢出前来不及压缩。
- */
-const ESTIMATION_SAFE_PADDING = 1.15;
-/** 图片/文档块固定 token 估算值（参考 Claude Code 的 2000 tokens/image） */
-const ESTIMATION_IMAGE_TOKENS = 2000;
-/** 工具调用 JSON 结构附加开销（tool_call_id + role 等） */
-const ESTIMATION_TOOL_OVERHEAD = 8;
-/**
- * 计算压缩触发阈值：取 min(contextLimit × 动态比例, hardLimit - reserved)。
- *
- * - ratioBased = contextLimit × getCompactionTriggerRatio(contextLimit)（按窗口大小动态分级）
- * - hardLimit = inputLimit ?? contextLimit（provider 显式 inputLimit 优先）
- * - reserved = min(COMPACTION_BUFFER, maxOutput)（buffer 不超过输出上限）
- *
- * 取两者较小者，既避免小窗口下过早触发，又避免接近硬上限时来不及压缩。
- */
-export function calculateCompactionThreshold(contextLimit, maxOutput, inputLimit) {
-    const ratioBased = Math.floor(contextLimit * getCompactionTriggerRatio(contextLimit));
-    const hardLimit = inputLimit ?? contextLimit;
-    const reserved = Math.min(COMPACTION_BUFFER, maxOutput);
-    const hardLimitBased = hardLimit - reserved;
-    return Math.min(ratioBased, hardLimitBased);
-}
-// ============ 模型上下文窗口查找 ============
-/**
- * 知名模型的上下文窗口大小查找表。
- * 数据来源：各模型官方文档。
- */
-const MODEL_CONTEXT_LIMITS = {
-    // Anthropic Claude
-    "claude-4": { contextLimit: 200_000, maxOutput: 8_192 },
-    "claude-sonnet-4": { contextLimit: 200_000, maxOutput: 8_192 },
-    "claude-3-5-sonnet": { contextLimit: 200_000, maxOutput: 8_192 },
-    "claude-3-opus": { contextLimit: 200_000, maxOutput: 8_192 },
-    "claude-3-haiku": { contextLimit: 200_000, maxOutput: 8_192 },
-    "claude-2": { contextLimit: 100_000, maxOutput: 4_096 },
-    // OpenAI GPT
-    "gpt-4o": { contextLimit: 128_000, maxOutput: 16_384 },
-    "gpt-4-turbo": { contextLimit: 128_000, maxOutput: 4_096 },
-    "gpt-4": { contextLimit: 8_192, maxOutput: 4_096 },
-    "gpt-3.5-turbo": { contextLimit: 16_384, maxOutput: 4_096 },
-    "o1": { contextLimit: 200_000, maxOutput: 100_000 },
-    "o3-mini": { contextLimit: 200_000, maxOutput: 100_000 },
-    // Google Gemini
-    "gemini-2.0-flash": { contextLimit: 1_048_576, maxOutput: 8_192 },
-    "gemini-2.5-pro": { contextLimit: 1_048_576, maxOutput: 8_192 },
-    "gemini-1.5-pro": { contextLimit: 2_097_152, maxOutput: 8_192 },
-    "gemini-1.5-flash": { contextLimit: 1_048_576, maxOutput: 8_192 },
-    // DeepSeek
-    "deepseek": { contextLimit: 64_000, maxOutput: 8_192 },
-    "deepseek-chat": { contextLimit: 64_000, maxOutput: 8_192 },
-    "deepseek-reasoner": { contextLimit: 64_000, maxOutput: 8_192 },
-    // Qwen
-    "qwen-max": { contextLimit: 32_000, maxOutput: 8_192 },
-    "qwen-plus": { contextLimit: 128_000, maxOutput: 8_192 },
-    "qwen-turbo": { contextLimit: 1_000_000, maxOutput: 8_192 },
-    // GLM
-    "glm-4": { contextLimit: 128_000, maxOutput: 4_096 },
-    // Yi
-    "yi-": { contextLimit: 200_000, maxOutput: 4_096 },
-    // Meta Llama
-    "llama-3": { contextLimit: 8_192, maxOutput: 4_096 },
-    "llama-2": { contextLimit: 4_096, maxOutput: 4_096 },
-    // Mistral
-    "mistral": { contextLimit: 32_000, maxOutput: 4_096 },
-    "mixtral": { contextLimit: 32_000, maxOutput: 4_096 },
-    "codestral": { contextLimit: 256_000, maxOutput: 8_192 },
-    // Grok
-    "grok": { contextLimit: 131_072, maxOutput: 4_096 },
-    // Amazon Nova
-    "nova-": { contextLimit: 200_000, maxOutput: 8_192 },
-};
-/**
- * 根据模型名查找上下文窗口大小。
- * 主流程：优先使用传入的 configOverrides → 精确匹配 → 前缀匹配（按长度降序）→ 默认值。
- *
- * @param modelName 模型名
- * @param configOverrides 可选的配置覆盖值（来自 acode.json 的 contextLimit/maxOutput）
- */
-export function lookupModelLimits(modelName, configOverrides) {
-    // 配置覆盖优先（来自 acode.json 等模板配置）
-    if (configOverrides?.contextLimit && configOverrides.contextLimit > 0) {
-        return {
-            contextLimit: configOverrides.contextLimit,
-            maxOutput: configOverrides.maxOutput ?? DEFAULT_MAX_OUTPUT,
-        };
-    }
-    if (!modelName)
-        return { contextLimit: DEFAULT_CONTEXT_LIMIT, maxOutput: DEFAULT_MAX_OUTPUT };
-    const key = modelName.toLowerCase().trim();
-    if (MODEL_CONTEXT_LIMITS[key])
-        return MODEL_CONTEXT_LIMITS[key];
-    const matches = Object.keys(MODEL_CONTEXT_LIMITS)
-        .filter((prefix) => key.startsWith(prefix))
-        .sort((a, b) => b.length - a.length);
-    if (matches.length > 0)
-        return MODEL_CONTEXT_LIMITS[matches[0]];
-    return { contextLimit: DEFAULT_CONTEXT_LIMIT, maxOutput: DEFAULT_MAX_OUTPUT };
-}
-// ============ Token 估算 ============
-/**
- * 中英文分离的文本 token 估算。
- * 对纯 ASCII 约 4 字符/token，对中文约 1.5 字符/token。
- * 参考：context-manager.ts 的同名方法。
- */
-export function estimateTextTokens(text) {
-    if (!text)
-        return 0;
-    let cjkCount = 0;
-    let asciiCount = 0;
-    for (const ch of text) {
-        if (ch > "\u00ff") {
-            cjkCount++;
-        }
-        else {
-            asciiCount++;
-        }
-    }
-    return Math.ceil(cjkCount / ESTIMATION_CJK_CHARS_PER_TOKEN + asciiCount / ESTIMATION_ASCII_CHARS_PER_TOKEN);
-}
-/**
- * 粗略估算文本的 token 数（保留向后兼容）。
- * 使用 estimateTextTokens 的中英文分离 + 安全填充。
- */
-export function estimateTokens(text) {
-    if (!text)
-        return 0;
-    // × ESTIMATION_SAFE_PADDING 确保估算始终偏大（安全侧）
-    // 参考 Claude Code 的 estimateMessageTokens 的 ×4/3 策略
-    return Math.ceil(estimateTextTokens(text) * ESTIMATION_SAFE_PADDING);
-}
-/**
- * 块级内容 token 估算：识别 text/image_url 等不同块类型分别定价。
- */
-function estimateContentBlock(block) {
-    if (typeof block === "object" && block !== null) {
-        const record = block;
-        if (record.type === "text" && typeof record.text === "string") {
-            return estimateTokens(record.text);
-        }
-        if (record.type === "image_url" || record.type === "document") {
-            return ESTIMATION_IMAGE_TOKENS;
-        }
-        // 其他类型（tool_result 嵌套等）：JSON 估算
-        return Math.ceil(JSON.stringify(block).length / ESTIMATION_ASCII_CHARS_PER_TOKEN);
-    }
-    if (typeof block === "string") {
-        return estimateTokens(block);
-    }
-    return 0;
-}
-/**
- * 估算单条消息的字节大小。
- */
-function estimateMessageBytes(message) {
-    let size = 16;
-    if (typeof message.content === "string") {
-        size += message.content.length * 2;
-    }
-    else if (Array.isArray(message.content)) {
-        for (const part of message.content) {
-            if (typeof part === "object" && part !== null) {
-                size += JSON.stringify(part).length;
-            }
-        }
-    }
-    if (message.tool_calls) {
-        size += JSON.stringify(message.tool_calls).length;
-    }
-    if (message.tool_call_id) {
-        size += message.tool_call_id.length;
-    }
-    return size;
-}
-/**
- * 估算整个对话的 token 数。
- * 使用块级识别 + 中英文分离 + 安全填充。
- */
-export function estimateConversationTokens(messages) {
-    let total = 0;
-    for (const msg of messages) {
-        if (typeof msg.content === "string") {
-            total += estimateTokens(msg.content);
-        }
-        else if (Array.isArray(msg.content)) {
-            for (const part of msg.content) {
-                total += estimateContentBlock(part);
-            }
-        }
-        // tool_calls 结构开销
-        if (msg.tool_calls) {
-            total += ESTIMATION_TOOL_OVERHEAD + Math.ceil(JSON.stringify(msg.tool_calls).length / ESTIMATION_ASCII_CHARS_PER_TOKEN);
-        }
-    }
-    return total;
-}
-/**
- * 计算对话的 KB 大小。
- */
-export function conversationSizeKB(messages) {
-    let totalBytes = 0;
-    for (const msg of messages) {
-        totalBytes += estimateMessageBytes(msg);
-    }
-    return Math.round((totalBytes / 1024) * 10) / 10;
-}
-/**
- * 判断对话是否上下文溢出（基于文本估算）。
- * 使用显式传入的 contextLimit 和比例触发，不依赖模型名查找表。
- *
- * @param messages 对话消息数组
- * @param contextLimit 上下文窗口上限
- * @param maxOutput 模型最大输出 token（未使用，保留参数兼容）
- */
-export function isOverflow(messages, contextLimit, _maxOutput) {
-    if (contextLimit <= 0)
-        return false;
-    const totalUsed = estimateConversationTokens(messages);
-    const ratioThreshold = Math.floor(contextLimit * getCompactionTriggerRatio(contextLimit));
-    return totalUsed >= ratioThreshold;
-}
-/**
- * 基于 provider 实际返回的累积 token 使用量判断是否应触发压缩。
- *
- * provider 每次请求都会返回实际 token 计数（input + output），
- * 这个计数比基于文本的估算（estimateConversationTokens）要准确得多。
- *
- * 触发条件：累积 tokens >= contextLimit * getCompactionTriggerRatio(contextLimit)
- * 使用显式传入的 contextLimit，不依赖模型名查找表。
- *
- * @param accumulatedInput  provider 实际累积的 input tokens
- * @param accumulatedOutput provider 实际累积的 output tokens
- * @param contextLimit 上下文窗口上限（来自模板配置，未配置时使用默认值）
- */
-export function isOverflowByActualUsage(accumulatedInput, accumulatedOutput, contextLimit) {
-    if (contextLimit <= 0)
-        return false;
-    const totalUsed = accumulatedInput + accumulatedOutput;
-    const ratioThreshold = Math.floor(contextLimit * getCompactionTriggerRatio(contextLimit));
-    return totalUsed >= ratioThreshold;
-}
-// ============ Prune 策略 ============
-/**
- * 判断消息是否为工具消息（可裁剪）。
- */
-function isToolMessage(message) {
-    return message.role === "tool";
-}
-/**
- * 从工具消息中提取工具名（用于白名单检查）。
- * 通过 tool_call_id 在对话历史中查找对应的 assistant 消息的 tool_calls，
- * 匹配后返回 function name。
- */
-function getToolNameFromMessage(message, allMessages, messageIndex) {
-    if (message.role !== "tool" || !message.tool_call_id) {
-        return undefined;
-    }
-    for (let i = messageIndex - 1; i >= 0; i--) {
-        const m = allMessages[i];
-        if (!m)
-            continue;
-        if (m.role === "assistant" && Array.isArray(m.tool_calls)) {
-            for (const tc of m.tool_calls) {
-                if (typeof tc === "object" &&
-                    tc !== null &&
-                    "id" in tc &&
-                    tc.id === message.tool_call_id) {
-                    const fn = tc.function;
-                    return fn ? String(fn.name ?? "") : undefined;
-                }
-            }
-        }
-    }
-    return undefined;
-}
-/**
- * Prune：从消息列表中裁剪旧工具消息的输出内容。
- *
- * 算法（参考 OpenCode compaction.ts:58-99）：
- * 1. 从最新消息往旧遍历
- * 2. 跳过前 2 轮对话（保护最近上下文）
- * 3. 累计工具消息的 token
- * 4. 超过保护线后，将工具输出替换为占位符
- * 5. 只有收益超过最小阈值才真正执行
- *
- * 保护线和最小阈值会按 contextLimit 比例调整：
- *   - protectLine = min(PRUNE_PROTECT, contextLimit * PRUNE_PROTECT_RATIO)
- *   - minimumGain = min(PRUNE_MINIMUM, contextLimit * PRUNE_MINIMUM_RATIO)
- * 这样在小上下文窗口（如 60k）下也能正常触发 prune，
- * 而不是固定 40k/20k 导致 60k 上下文永远无法 prune。
- *
- * @param messages 对话消息数组（会被原地修改）
- * @param contextLimit 上下文窗口大小，用于按比例调整阈值（默认使用 DEFAULT_CONTEXT_LIMIT）
- * @returns 裁剪结果
- */
-export function pruneToolOutputs(messages, contextLimit = DEFAULT_CONTEXT_LIMIT) {
-    if (messages.length === 0) {
-        return { prunedCount: 0, freedTokens: 0 };
-    }
-    // 按比例调整保护线和最小收益阈值
-    const protectLine = Math.min(PRUNE_PROTECT, Math.floor(contextLimit * PRUNE_PROTECT_RATIO));
-    const minimumGain = Math.min(PRUNE_MINIMUM, Math.floor(contextLimit * PRUNE_MINIMUM_RATIO));
-    // 阶段 1：收集所有候选（按重要性分组）
-    // 在保护线内的工具输出（最近 N 轮），无论重要性如何都保留。
-    // 超过保护线的输出，按重要性排序，优先裁剪低重要性的。
-    let accumulatedTokens = 0;
-    const lowImportanceCandidates = [];
-    const highImportanceCandidates = [];
-    let turns = 0;
-    // 从最新往旧遍历
-    for (let i = messages.length - 1; i >= 0; i--) {
-        const msg = messages[i];
-        if (msg.role === "user")
-            turns++;
-        if (turns < 2)
-            continue;
-        if (!isToolMessage(msg))
-            continue;
-        const toolName = getToolNameFromMessage(msg, messages, i);
-        if (toolName && PRUNE_PROTECTED_TOOLS.has(toolName))
-            continue;
-        const contentStr = typeof msg.content === "string" ? msg.content : "";
-        const estimate = estimateTokens(contentStr);
-        accumulatedTokens += estimate;
-        if (accumulatedTokens > protectLine) {
-            // 超过保护线，按重要性分组
-            const importance = toolName ? getToolImportance(toolName) : DEFAULT_TOOL_IMPORTANCE;
-            const candidate = { msg, tokens: estimate, name: toolName ?? "" };
-            if (importance <= 1) {
-                // 高重要性（Read/Grep/Edit 等）：暂不优先裁剪
-                highImportanceCandidates.push(candidate);
-            }
-            else {
-                // 低重要性（Bash/WebSearch 等）：优先裁剪
-                lowImportanceCandidates.push(candidate);
-            }
-        }
-    }
-    // 阶段 2：按重要性排序，低重要性优先裁剪
-    // 低重要性按 token 数降序（先裁大的），高重要性按 token 数升序（尽量保留）
-    lowImportanceCandidates.sort((a, b) => b.tokens - a.tokens);
-    highImportanceCandidates.sort((a, b) => a.tokens - b.tokens);
-    const toPrune = [];
-    let freedTokens = 0;
-    // 先裁低重要性
-    for (const c of lowImportanceCandidates) {
-        if (freedTokens >= minimumGain)
-            break;
-        freedTokens += c.tokens;
-        toPrune.push(c.msg);
-    }
-    // 如果低重要性不够，再裁高重要性（从最小的开始）
-    if (freedTokens < minimumGain) {
-        for (const c of highImportanceCandidates) {
-            freedTokens += c.tokens;
-            toPrune.push(c.msg);
-            if (freedTokens >= minimumGain)
-                break;
-        }
-    }
-    if (freedTokens < minimumGain) {
-        return { prunedCount: 0, freedTokens: 0 };
-    }
-    // 执行裁剪：将工具输出替换为占位符
-    for (const msg of toPrune) {
-        msg.content = "[Old tool result content cleared]";
-    }
-    return { prunedCount: toPrune.length, freedTokens };
-}
-// ============ Summarize 策略 ============
-/**
- * 判断消息是否为压缩摘要消息。
- */
-function isCompactionSummaryMessage(message) {
-    return (message.role === "system" &&
-        typeof message.content === "string" &&
-        message.content.startsWith(COMPACTION_SUMMARY_PREFIX));
-}
-/**
- * 生成单条消息的摘要预览。
- */
-function summarizeMessage(message, index) {
-    const contentStr = typeof message.content === "string"
-        ? message.content
-        : Array.isArray(message.content)
-            ? message.content.map((p) => (typeof p === "object" && p !== null ? JSON.stringify(p) : String(p))).join(" ")
-            : "";
-    const preview = contentStr.length > COMPACTION_MAX_PREVIEW_CHARS
-        ? `${contentStr.slice(0, COMPACTION_MAX_PREVIEW_CHARS)}…`
-        : contentStr;
-    const parts = [`${index + 1}. ${message.role}`];
-    if (message.tool_calls && Array.isArray(message.tool_calls) && message.tool_calls.length > 0) {
-        const toolCallSummary = message.tool_calls
-            .map((tc) => {
-            if (typeof tc === "object" && tc !== null) {
-                const fn = tc.function;
-                return fn ? String(fn.name ?? "") : "";
-            }
-            return "";
-        })
-            .filter(Boolean)
-            .join(", ");
-        if (toolCallSummary)
-            parts.push(`tool_calls=${toolCallSummary}`);
-    }
-    if (message.tool_call_id)
-        parts.push(`tool_call_id=${message.tool_call_id}`);
-    if (preview)
-        parts.push(`content=${preview}`);
-    return parts.join(" | ");
-}
-/**
- * Summarize：将早期对话消息替换为结构化摘要。
- *
- * 算法（参考 OpenCode compaction.ts:101-229 的 process 函数）：
- * 1. 分离 base system 消息和可压缩消息
- * 2. 保留最近 COMPACTION_RECENT_MESSAGE_COUNT 条消息
- * 3. 将早期消息生成结构化摘要
- * 4. 用摘要消息替换早期消息
- *
- * @param messages 对话消息数组（会被原地修改）
- * @returns 摘要化的消息数
- */
-export async function summarizeConversation(messages, options) {
-    const baseSystemMessages = messages.filter((m) => m.role === "system" && !isCompactionSummaryMessage(m));
-    const compactableMessages = messages.filter((m) => m.role !== "system" || isCompactionSummaryMessage(m));
-    const removableCount = Math.max(0, compactableMessages.length - COMPACTION_RECENT_MESSAGE_COUNT);
-    if (removableCount === 0)
-        return 0;
-    // ★ 切片 + 后清理（取代之前的边界推进）：
-    //    边界推进在找不到"干净边界"时会一路推进到末尾，返回 0，导致 summarize 完全不生效。
-    //    新策略：先按 removableCount 切片，再清理 kept 部分中的 orphan tool 消息和
-    //    orphan assistant(tool_calls)，保证消息序列对 OpenAI 兼容 API 有效。
-    const removedMessages = compactableMessages.slice(0, removableCount);
-    let keptMessages = compactableMessages.slice(removableCount);
-    // 收集 kept 部分所有 assistant(tool_calls) 的 tool_call_id
-    const keptToolCallIds = new Set();
-    for (const m of keptMessages) {
-        if (m.role === "assistant" && m.tool_calls?.length) {
-            for (const tc of m.tool_calls) {
-                if (typeof tc === "object" &&
-                    tc !== null &&
-                    typeof tc.id === "string") {
-                    keptToolCallIds.add(tc.id);
-                }
-            }
-        }
-    }
-    // 第一轮过滤：移除 orphan tool 消息（其父 assistant 已被摘要化）
-    keptMessages = keptMessages.filter((m) => {
-        if (m.role === "tool" && m.tool_call_id) {
-            return keptToolCallIds.has(m.tool_call_id);
-        }
-        return true;
-    });
-    // 第二轮过滤：移除 orphan assistant(tool_calls)（其部分 tool 结果已在第一轮被移除）
-    // 反复迭代直到稳定（一次过滤可能产生新的 orphan）
-    let changed = true;
-    while (changed) {
-        changed = false;
-        // 重新收集 kept 中的 tool_call_id
-        const currentToolCallIds = new Set();
-        for (const m of keptMessages) {
-            if (m.role === "assistant" && m.tool_calls?.length) {
-                for (const tc of m.tool_calls) {
-                    if (typeof tc === "object" &&
-                        tc !== null &&
-                        typeof tc.id === "string") {
-                        currentToolCallIds.add(tc.id);
-                    }
-                }
-            }
-        }
-        // 重新收集 kept 中的 tool_result id
-        const currentToolResultIds = new Set();
-        for (const m of keptMessages) {
-            if (m.role === "tool" && m.tool_call_id) {
-                currentToolResultIds.add(m.tool_call_id);
-            }
-        }
-        const nextKept = keptMessages.filter((m) => {
-            if (m.role === "tool" && m.tool_call_id) {
-                return currentToolCallIds.has(m.tool_call_id);
-            }
-            if (m.role === "assistant" && m.tool_calls?.length) {
-                const expectedIds = new Set();
-                for (const tc of m.tool_calls) {
-                    if (typeof tc === "object" &&
-                        tc !== null &&
-                        typeof tc.id === "string") {
-                        expectedIds.add(tc.id);
-                    }
-                }
-                if (expectedIds.size === 0)
-                    return true;
-                let allFound = true;
-                for (const id of expectedIds) {
-                    if (!currentToolResultIds.has(id)) {
-                        allFound = false;
-                        break;
-                    }
-                }
-                return allFound;
-            }
-            return true;
-        });
-        if (nextKept.length !== keptMessages.length) {
-            changed = true;
-            keptMessages = nextKept;
-        }
-    }
-    // 如果清理后 kept 为空，放弃本次摘要（避免清空整个对话）
-    if (keptMessages.length === 0) {
-        return 0;
-    }
-    // ★ 尝试 LLM 摘要（若注入了 llmSummarizer），失败则降级到规则摘要。
-    //    LLM 摘要失败时静默降级，不抛异常，保证压缩流程继续。
-    let llmSummary = null;
-    if (options?.llmSummarizer) {
-        try {
-            const conversationText = removedMessages
-                .map((message, index) => summarizeMessage(message, index))
-                .join("\n");
-            llmSummary = await options.llmSummarizer({
-                conversationText,
-                messageCount: removableCount,
-                contextLimit: options.contextLimit ?? DEFAULT_CONTEXT_LIMIT,
-            });
-        }
-        catch {
-            // 降级到规则摘要
-            llmSummary = null;
-        }
-    }
-    // 原地修改 messages 数组
-    messages.length = 0;
-    messages.push(...baseSystemMessages);
-    if (llmSummary !== null) {
-        // LLM 摘要路径：标记 "summarized by LLM" 以便 performCompaction 识别
-        messages.push({
-            role: "system",
-            content: [
-                COMPACTION_SUMMARY_PREFIX,
-                `${removableCount} earlier conversation messages were summarized by LLM to free context space.`,
-                "Preserve the user's goal, decisions, tool results, file paths, errors, and unresolved tasks from this summary.",
-                "Recent messages below remain authoritative.",
-                "",
-                llmSummary,
-            ].join("\n"),
-        });
-    }
-    else {
-        // 规则摘要路径（降级或未注入 llmSummarizer）
-        const summaryLines = removedMessages.map((message, index) => summarizeMessage(message, index));
-        const summary = summaryLines.join("\n").slice(0, COMPACTION_MAX_SUMMARY_CHARS);
-        messages.push({
-            role: "system",
-            content: [
-                COMPACTION_SUMMARY_PREFIX,
-                `${removableCount} earlier conversation messages were summarized to free context space.`,
-                "Preserve the user's goal, decisions, tool results, file paths, errors, and unresolved tasks from this summary.",
-                "Recent messages below remain authoritative.",
-                "",
-                summary,
-            ].join("\n"),
-        });
-    }
-    messages.push(...keptMessages);
-    return removableCount;
-}
-// ============ 配对不变量保护 ============
-/**
- * Snip：删除最旧的一组消息（从第一个非 system 消息到下一个 user 消息之前）。
- *
- * 作为压缩的最终手段——当 prune 和 summarize 都无法释放足够空间时使用。
- * 能确保：
- *   1. 不删除 system 消息
- *   2. 删除的组不跨 user 边界（保证一个完整轮次）
- *   3. 删除后至少保留 1 组非 system 消息
- *
- * @param messages 对话消息数组（会被原地修改，通过 splice 删除）
- * @returns 删除的消息数
- */
-export function snipOldestMessageGroup(messages) {
-    if (messages.length <= 1)
-        return 0;
-    // 找到第一个非 system 消息的索引
-    let startIdx = 0;
-    while (startIdx < messages.length && messages[startIdx].role === "system") {
-        startIdx++;
-    }
-    if (startIdx >= messages.length)
-        return 0;
-    // 找到下一个 user 消息的索引（作为删除组的结束边界）
-    let groupEnd = messages.length;
-    for (let i = startIdx + 1; i < messages.length; i++) {
-        if (messages[i].role === "user") {
-            groupEnd = i;
-            break;
-        }
-    }
-    // 不能删除全部非 system 消息（至少保留一组）
-    if (groupEnd >= messages.length)
-        return 0;
-    // 收集删除范围内 assistant 发起的 tool_call_id
-    const removedToolCallIds = new Set();
-    for (let i = startIdx; i < groupEnd; i++) {
-        const msg = messages[i];
-        if (msg.role === "assistant" && Array.isArray(msg.tool_calls)) {
-            for (const tc of msg.tool_calls) {
-                if (typeof tc === "object" && tc !== null && typeof tc.id === "string") {
-                    removedToolCallIds.add(tc.id);
-                }
-            }
-        }
-    }
-    // 删除主组 [startIdx, groupEnd)
-    const removedCount = groupEnd - startIdx;
-    messages.splice(startIdx, removedCount);
-    // 清理孤儿 tool_result：其对应的 tool_call 已在上一步删除，但 tool_result 可能落在下一轮（groupEnd 之后）。
-    // 不能用连续 splice 扩展范围（会误删中间的 user 消息），故采用逆向遍历逐个删除孤儿 tool_result。
-    let orphanRemoved = 0;
-    if (removedToolCallIds.size > 0) {
-        for (let i = messages.length - 1; i >= startIdx; i--) {
-            const msg = messages[i];
-            if (msg.role === "tool" && msg.tool_call_id && removedToolCallIds.has(msg.tool_call_id)) {
-                messages.splice(i, 1);
-                orphanRemoved++;
-            }
-        }
-    }
-    return removedCount + orphanRemoved;
-}
-// ============ 完整压缩流程 ============
-/**
- * 执行完整压缩流程：Prune → 若仍溢出则 Summarize。
- *
- * 参考 OpenCode 的两阶段策略：
- * 1. 先尝试 prune（低成本，只清除旧工具输出）
- * 2. 若 prune 后仍溢出，执行 summarize（高成本，摘要化早期对话）
- *
- * @param messages 对话消息数组（会被原地修改）
- * @param contextLimit 上下文窗口上限（来自模板配置，未配置时使用默认值）
- * @param maxOutput 模型最大输出 token
- * @param options 可选：llmSummarizer（LLM 摘要器，失败降级到规则摘要）、onPhase（阶段事件回调）
- * @returns 压缩结果
- */
-export async function performCompaction(messages, contextLimit, maxOutput = DEFAULT_MAX_OUTPUT, options) {
-    const sizeBeforeKB = conversationSizeKB(messages);
-    const messageCountBefore = messages.length;
-    const tokensBefore = estimateConversationTokens(messages);
-    let strategy = "none";
-    let prunedToolMessages = 0;
-    let summarizedMessages = 0;
-    let freedTokens = 0;
-    let usedLLM = false;
-    // 阶段 1: Prune（传入 contextLimit 以按比例调整保护线和最小收益阈值）
-    if (options?.onPhase) {
-        options.onPhase({ phase: "prune_start", messageCount: messages.length });
-    }
-    const pruneResult = pruneToolOutputs(messages, contextLimit);
-    if (pruneResult.prunedCount > 0) {
-        strategy = "prune";
-        prunedToolMessages = pruneResult.prunedCount;
-        freedTokens += pruneResult.freedTokens;
-    }
-    if (options?.onPhase) {
-        options.onPhase({
-            phase: "prune_end",
-            prunedCount: pruneResult.prunedCount,
-            freedTokens: pruneResult.freedTokens,
-        });
-    }
-    // 阶段 2: 若仍溢出，执行 Summarize
-    //
-    // ★ 使用 effectiveUsed（文本估算与 actual 的较大值）而非仅文本估算：
-    //    provider 实际 token 计数往往高于基于字符的估算，若仅依赖文本估算，
-    //    可能因估算值低于阈值而导致"假阴性"——实际已溢出但 isOverflow 返回 false，
-    //    summarize 被直接跳过，最终策略为 "none"。
-    const tokensAfterPrune = estimateConversationTokens(messages);
-    const postPruneEffective = options?.actualUsedTokens
-        ? Math.max(tokensAfterPrune, Math.max(options.actualUsedTokens, tokensBefore) - freedTokens)
-        : tokensAfterPrune;
-    if (postPruneEffective >= Math.floor(contextLimit * getCompactionTriggerRatio(contextLimit))) {
-        if (options?.onPhase) {
-            options.onPhase({ phase: "summarize_start", messageCount: messages.length });
-        }
-        const summarized = await summarizeConversation(messages, {
-            llmSummarizer: options?.llmSummarizer,
-            contextLimit,
-        });
-        if (summarized > 0) {
-            strategy = strategy === "prune" ? "prune+summarize" : "summarize";
-            summarizedMessages = summarized;
-            const tokensAfter = estimateConversationTokens(messages);
-            freedTokens = Math.max(freedTokens, tokensBefore - tokensAfter);
-            // 检测是否使用了 LLM 摘要（通过摘要消息内容识别）
-            const summaryMsg = messages.find((m) => m.role === "system" &&
-                typeof m.content === "string" &&
-                m.content.includes("summarized by LLM"));
-            usedLLM = Boolean(summaryMsg);
-        }
-        else {
-            // ★ 阶段 2b: Summarize 失败降级 → Snip 最旧消息组（最终手段）
-            // 当 summarize 返回 0（无法找到干净边界或清理后 kept 为空），
-            // 尝试直接删除最旧的一组非 system 消息。
-            const sniped = snipOldestMessageGroup(messages);
-            if (sniped > 0) {
-                strategy = strategy === "prune" ? "prune+summarize" : "summarize";
-                summarizedMessages = sniped;
-                const tokensAfter = estimateConversationTokens(messages);
-                freedTokens = Math.max(freedTokens, tokensBefore - tokensAfter);
-            }
-        }
-        if (options?.onPhase) {
-            options.onPhase({
-                phase: "summarize_end",
-                summarizedCount: summarizedMessages,
-                usedLLM,
-            });
-        }
-    }
-    const sizeAfterKB = conversationSizeKB(messages);
-    const messageCountAfter = messages.length;
-    const tokensAfter = estimateConversationTokens(messages);
-    if (strategy === "none") {
-        return {
-            strategy: "none",
-            freedTokens: 0,
-            sizeBeforeKB,
-            sizeAfterKB: sizeBeforeKB,
-            tokensBefore,
-            tokensAfter,
-            messageCountBefore,
-            messageCountAfter,
-            prunedToolMessages: 0,
-            summarizedMessages: 0,
-        };
-    }
-    return {
-        strategy,
-        freedTokens,
-        sizeBeforeKB,
-        sizeAfterKB,
-        tokensBefore,
-        tokensAfter,
-        messageCountBefore,
-        messageCountAfter,
-        prunedToolMessages,
-        summarizedMessages,
-    };
-}
+const nt=2e4,rt=.55,z=[[32e3,.7],[128e3,.75],[512e3,.8],[Number.POSITIVE_INFINITY,.85]];function T(t){if(t<=0)return .55;for(const[e,o]of z)if(t<e)return o;return .85}const U=4e4,j=2e4,B=.5,F=.1,G=new Set(["skill","todo_write","todo_read"]),y={read_file:0,Read:0,grep:0,Grep:0,glob:0,Glob:0,"contextweaver_codebase-retrieval":0,Edit:1,edit:1,Write:1,write:1,write_file:1,webfetch:2,WebFetch:2,WebSearch:2,websearch_web_search_exa:2,bash:3,Bash:3,run_terminal_command:3,playwright_browser_:4},L=2;function K(t){if(!t)return L;if(y[t]!==void 0)return y[t];const e=Object.keys(y).filter(o=>t.startsWith(o)).sort((o,n)=>n.length-o.length);return e.length>0?y[e[0]]:L}const M=128e3,C=8192,D=8,$=6e3,b=500,E="ACode context compaction summary:",it=["Please summarize the conversation above using the following structured format.","Keep each section concise but preserve all actionable details.","","## Goal","The user's primary objective in this conversation.","","## Instructions","Standing instructions, constraints, or preferences the user has stated.","","## Discoveries","Key findings, decisions, tool results, file paths, and errors encountered.","","## Accomplished","Tasks that have been completed (do not redo these).","","## Files","Files read, modified, or created with brief context.","","Output only the summary, no preamble."].join(`
+`),W=1.5,S=4,J=1.15,X=2e3,H=8;function lt(t,e,o){const n=Math.floor(t*T(t)),l=o??t,s=Math.min(2e4,e),i=l-s;return Math.min(n,i)}const A={"claude-4":{contextLimit:2e5,maxOutput:8192},"claude-sonnet-4":{contextLimit:2e5,maxOutput:8192},"claude-3-5-sonnet":{contextLimit:2e5,maxOutput:8192},"claude-3-opus":{contextLimit:2e5,maxOutput:8192},"claude-3-haiku":{contextLimit:2e5,maxOutput:8192},"claude-2":{contextLimit:1e5,maxOutput:4096},"gpt-4o":{contextLimit:128e3,maxOutput:16384},"gpt-4-turbo":{contextLimit:128e3,maxOutput:4096},"gpt-4":{contextLimit:8192,maxOutput:4096},"gpt-3.5-turbo":{contextLimit:16384,maxOutput:4096},o1:{contextLimit:2e5,maxOutput:1e5},"o3-mini":{contextLimit:2e5,maxOutput:1e5},"gemini-2.0-flash":{contextLimit:1048576,maxOutput:8192},"gemini-2.5-pro":{contextLimit:1048576,maxOutput:8192},"gemini-1.5-pro":{contextLimit:2097152,maxOutput:8192},"gemini-1.5-flash":{contextLimit:1048576,maxOutput:8192},deepseek:{contextLimit:64e3,maxOutput:8192},"deepseek-chat":{contextLimit:64e3,maxOutput:8192},"deepseek-reasoner":{contextLimit:64e3,maxOutput:8192},"qwen-max":{contextLimit:32e3,maxOutput:8192},"qwen-plus":{contextLimit:128e3,maxOutput:8192},"qwen-turbo":{contextLimit:1e6,maxOutput:8192},"glm-4":{contextLimit:128e3,maxOutput:4096},"yi-":{contextLimit:2e5,maxOutput:4096},"llama-3":{contextLimit:8192,maxOutput:4096},"llama-2":{contextLimit:4096,maxOutput:4096},mistral:{contextLimit:32e3,maxOutput:4096},mixtral:{contextLimit:32e3,maxOutput:4096},codestral:{contextLimit:256e3,maxOutput:8192},grok:{contextLimit:131072,maxOutput:4096},"nova-":{contextLimit:2e5,maxOutput:8192}};function st(t,e){if(e?.contextLimit&&e.contextLimit>0)return{contextLimit:e.contextLimit,maxOutput:e.maxOutput??C};if(!t)return{contextLimit:M,maxOutput:C};const o=t.toLowerCase().trim();if(A[o])return A[o];const n=Object.keys(A).filter(l=>o.startsWith(l)).sort((l,s)=>s.length-l.length);return n.length>0?A[n[0]]:{contextLimit:M,maxOutput:C}}function q(t){if(!t)return 0;let e=0,o=0;for(const n of t)n>"\xFF"?e++:o++;return Math.ceil(e/W+o/S)}function g(t){return t?Math.ceil(q(t)*J):0}function V(t){if(typeof t=="object"&&t!==null){const e=t;return e.type==="text"&&typeof e.text=="string"?g(e.text):e.type==="image_url"||e.type==="document"?X:Math.ceil(JSON.stringify(t).length/S)}return typeof t=="string"?g(t):0}function Y(t){let e=16;if(typeof t.content=="string")e+=t.content.length*2;else if(Array.isArray(t.content))for(const o of t.content)typeof o=="object"&&o!==null&&(e+=JSON.stringify(o).length);return t.tool_calls&&(e+=JSON.stringify(t.tool_calls).length),t.tool_call_id&&(e+=t.tool_call_id.length),e}function x(t){let e=0;for(const o of t){if(typeof o.content=="string")e+=g(o.content);else if(Array.isArray(o.content))for(const n of o.content)e+=V(n);o.tool_calls&&(e+=H+Math.ceil(JSON.stringify(o.tool_calls).length/S))}return e}function N(t){let e=0;for(const o of t)e+=Y(o);return Math.round(e/1024*10)/10}function ct(t,e,o){if(e<=0)return!1;const n=x(t),l=Math.floor(e*T(e));return n>=l}function ut(t,e,o){if(o<=0)return!1;const n=t+e,l=Math.floor(o*T(o));return n>=l}function Q(t){return t.role==="tool"}function Z(t,e,o){if(!(t.role!=="tool"||!t.tool_call_id))for(let n=o-1;n>=0;n--){const l=e[n];if(l&&l.role==="assistant"&&Array.isArray(l.tool_calls)){for(const s of l.tool_calls)if(typeof s=="object"&&s!==null&&"id"in s&&s.id===t.tool_call_id){const i=s.function;return i?String(i.name??""):void 0}}}}function tt(t,e=M){if(t.length===0)return{prunedCount:0,freedTokens:0};const o=Math.min(U,Math.floor(e*B)),n=Math.min(j,Math.floor(e*F));let l=0;const s=[],i=[];let u=0;for(let r=t.length-1;r>=0;r--){const c=t[r];if(c.role==="user"&&u++,u<2||!Q(c))continue;const f=Z(c,t,r);if(f&&G.has(f))continue;const a=typeof c.content=="string"?c.content:"",p=g(a);if(l+=p,l>o){const h=f?K(f):L,d={msg:c,tokens:p,name:f??""};h<=1?i.push(d):s.push(d)}}s.sort((r,c)=>c.tokens-r.tokens),i.sort((r,c)=>r.tokens-c.tokens);const m=[];let _=0;for(const r of s){if(_>=n)break;_+=r.tokens,m.push(r.msg)}if(_<n){for(const r of i)if(_+=r.tokens,m.push(r.msg),_>=n)break}if(_<n)return{prunedCount:0,freedTokens:0};for(const r of m)r.content="[Old tool result content cleared]";return{prunedCount:m.length,freedTokens:_}}function w(t){return t.role==="system"&&typeof t.content=="string"&&t.content.startsWith(E)}function v(t,e){const o=typeof t.content=="string"?t.content:Array.isArray(t.content)?t.content.map(s=>typeof s=="object"&&s!==null?JSON.stringify(s):String(s)).join(" "):"",n=o.length>b?`${o.slice(0,b)}\u2026`:o,l=[`${e+1}. ${t.role}`];if(t.tool_calls&&Array.isArray(t.tool_calls)&&t.tool_calls.length>0){const s=t.tool_calls.map(i=>{if(typeof i=="object"&&i!==null){const u=i.function;return u?String(u.name??""):""}return""}).filter(Boolean).join(", ");s&&l.push(`tool_calls=${s}`)}return t.tool_call_id&&l.push(`tool_call_id=${t.tool_call_id}`),n&&l.push(`content=${n}`),l.join(" | ")}async function et(t,e){const o=t.filter(r=>r.role==="system"&&!w(r)),n=t.filter(r=>r.role!=="system"||w(r)),l=Math.max(0,n.length-D);if(l===0)return 0;const s=n.slice(0,l);let i=n.slice(l);const u=new Set;for(const r of i)if(r.role==="assistant"&&r.tool_calls?.length)for(const c of r.tool_calls)typeof c=="object"&&c!==null&&typeof c.id=="string"&&u.add(c.id);i=i.filter(r=>r.role==="tool"&&r.tool_call_id?u.has(r.tool_call_id):!0);let m=!0;for(;m;){m=!1;const r=new Set;for(const a of i)if(a.role==="assistant"&&a.tool_calls?.length)for(const p of a.tool_calls)typeof p=="object"&&p!==null&&typeof p.id=="string"&&r.add(p.id);const c=new Set;for(const a of i)a.role==="tool"&&a.tool_call_id&&c.add(a.tool_call_id);const f=i.filter(a=>{if(a.role==="tool"&&a.tool_call_id)return r.has(a.tool_call_id);if(a.role==="assistant"&&a.tool_calls?.length){const p=new Set;for(const d of a.tool_calls)typeof d=="object"&&d!==null&&typeof d.id=="string"&&p.add(d.id);if(p.size===0)return!0;let h=!0;for(const d of p)if(!c.has(d)){h=!1;break}return h}return!0});f.length!==i.length&&(m=!0,i=f)}if(i.length===0)return 0;let _=null;if(e?.llmSummarizer)try{const r=s.map((c,f)=>v(c,f)).join(`
+`);_=await e.llmSummarizer({conversationText:r,messageCount:l,contextLimit:e.contextLimit??M})}catch{_=null}if(t.length=0,t.push(...o),_!==null)t.push({role:"system",content:[E,`${l} earlier conversation messages were summarized by LLM to free context space.`,"Preserve the user's goal, decisions, tool results, file paths, errors, and unresolved tasks from this summary.","Recent messages below remain authoritative.","",_].join(`
+`)});else{const c=s.map((f,a)=>v(f,a)).join(`
+`).slice(0,$);t.push({role:"system",content:[E,`${l} earlier conversation messages were summarized to free context space.`,"Preserve the user's goal, decisions, tool results, file paths, errors, and unresolved tasks from this summary.","Recent messages below remain authoritative.","",c].join(`
+`)})}return t.push(...i),l}function ot(t){if(t.length<=1)return 0;let e=0;for(;e<t.length&&t[e].role==="system";)e++;if(e>=t.length)return 0;let o=t.length;for(let i=e+1;i<t.length;i++)if(t[i].role==="user"){o=i;break}if(o>=t.length)return 0;const n=new Set;for(let i=e;i<o;i++){const u=t[i];if(u.role==="assistant"&&Array.isArray(u.tool_calls))for(const m of u.tool_calls)typeof m=="object"&&m!==null&&typeof m.id=="string"&&n.add(m.id)}const l=o-e;t.splice(e,l);let s=0;if(n.size>0)for(let i=t.length-1;i>=e;i--){const u=t[i];u.role==="tool"&&u.tool_call_id&&n.has(u.tool_call_id)&&(t.splice(i,1),s++)}return l+s}async function at(t,e,o=C,n){const l=N(t),s=t.length,i=x(t);let u="none",m=0,_=0,r=0,c=!1;n?.onPhase&&n.onPhase({phase:"prune_start",messageCount:t.length});const f=tt(t,e);f.prunedCount>0&&(u="prune",m=f.prunedCount,r+=f.freedTokens),n?.onPhase&&n.onPhase({phase:"prune_end",prunedCount:f.prunedCount,freedTokens:f.freedTokens});const a=x(t);if((n?.actualUsedTokens?Math.max(a,Math.max(n.actualUsedTokens,i)-r):a)>=Math.floor(e*T(e))){n?.onPhase&&n.onPhase({phase:"summarize_start",messageCount:t.length});const R=await et(t,{llmSummarizer:n?.llmSummarizer,contextLimit:e});if(R>0){u=u==="prune"?"prune+summarize":"summarize",_=R;const O=x(t);r=Math.max(r,i-O),c=!!t.find(I=>I.role==="system"&&typeof I.content=="string"&&I.content.includes("summarized by LLM"))}else{const O=ot(t);if(O>0){u=u==="prune"?"prune+summarize":"summarize",_=O;const k=x(t);r=Math.max(r,i-k)}}n?.onPhase&&n.onPhase({phase:"summarize_end",summarizedCount:_,usedLLM:c})}const h=N(t),d=t.length,P=x(t);return u==="none"?{strategy:"none",freedTokens:0,sizeBeforeKB:l,sizeAfterKB:l,tokensBefore:i,tokensAfter:P,messageCountBefore:s,messageCountAfter:d,prunedToolMessages:0,summarizedMessages:0}:{strategy:u,freedTokens:r,sizeBeforeKB:l,sizeAfterKB:h,tokensBefore:i,tokensAfter:P,messageCountBefore:s,messageCountAfter:d,prunedToolMessages:m,summarizedMessages:_}}export{nt as COMPACTION_BUFFER,it as COMPACTION_LLM_PROMPT_TEMPLATE,rt as COMPACTION_TRIGGER_RATIO,j as PRUNE_MINIMUM,U as PRUNE_PROTECT,lt as calculateCompactionThreshold,N as conversationSizeKB,x as estimateConversationTokens,q as estimateTextTokens,g as estimateTokens,T as getCompactionTriggerRatio,ct as isOverflow,ut as isOverflowByActualUsage,st as lookupModelLimits,at as performCompaction,tt as pruneToolOutputs,ot as snipOldestMessageGroup,et as summarizeConversation};
+