ARGP — DeepSeek Harness 的 0-LLM 确定性上下文压缩 ARGP
ARGP — DeepSeek Harness 的 0-LLM 确定性上下文压缩 ARGP（原子参考图修剪）是 DeepSeek Harness (dsh) 的第三方，无需任何 LLM 调用即可压缩对话上下文：它不是将历史记录重写为摘要，而是有选择地忘记。 - 压缩阶段 0 LLM — 纯图规则、确定性和收敛性。
项目简介
基于 Summarizer 的压缩（例如 compaction-basic）在压缩时用 LLM 重写历史：成本随上下文变化，信息有损，压缩率不可控。 ARGP 采用相反的路线：在对话发生时从结构上捕获依赖性（每回合一个小的注释），并且压缩仅以引用图的逆拓扑顺序“驱逐”原子 - 每个原子的标记计数是已知的，修剪是确定性的，并且退化链收敛到预算。 核心机制
1. 原子化 — 历史被分解为原子（用户/助手/工具-结果）。 dsh 的表面没有独立的工具/调用节点，因此调用块位于辅助原子内部。 2. 图形构建 - 确定性边缘（助手→其工具结果，通过 toolCallId）加上助手在其输出中声明的引用前缀的语义边缘（{"cites": [...]}）。 3. 拓扑剪枝 — 重复驱逐入度为 0 的原子，按边缘级别 → 有效重要性 → 最后参考轮排序。对修剪原子的引用将其解锁（动态有效入度，每次传递）。 U（用户）原子和墓碑永远不会被修剪。 4. 闭包生命周期 - 已完成的任务闭包（根锚定在任务类型用户原子上）可以被整个驱逐，并通过墓碑来提供召回指数。 5. Recall — recallpruned(seq) 从日志中检索修剪后的原子； listpruned 显示修剪节点索引。预算：≤3次呼叫/回合，≤每次呼叫5%窗口，≤10%总计。 6. 版本重复数据删除 — 精确重复的辅助原子/同一发行者工具结果成对修剪（设计的 θ=0.8 链重复数据删除的简化形式）。
DeepSeek 支持的验证需要 dsh API 凭证（标准 dsh 凭证位置）并运行： 重现