告别“失真压缩”：Claude 编程助手的上下文守护者，让每行代码、每个错误都不被 AI 概括掉

你是否遇到过这样的尴尬：在 Claude Code 中调试一个复杂问题，反复调用「读文件」「运行测试」「查日志」等工具，对话历史越来越长；结果 AI 一压缩上下文，就把关键的 src/utils/validation.ts:42 报错路径、精确的 npm run lint -- --fix 命令、甚至你明确强调的「不要修改 generated 目录」这条约束，统统揉进一句模糊的「用户要求修复测试并检查相关文件」里？fast-jev-compaction 正是为此而生——它不是让 AI 总结你的对话，而是请 Jev（Claude 的专用决策模型）逐条审查每一条工具调用与返回结果，只删除真正过时的内容，其余一切保持原样、按序保留。零重写、零概括、零信息丢失。

核心功能

• 精准保留关键上下文：当你的对话中包含 Read src/api/auth.ts 和长达 2800 字的返回内容时，传统压缩可能直接丢掉整个块；而本工具会将该结果完整保留（或仅截断尾部），前提是 Jev 判定其仍对后续推理有支撑作用——比如你接下来要基于此代码做 patch。
• 双维度智能裁剪：对每个未被「钉住」（即非最近几轮）的工具调用，Jev 同时回答两个独立问题：“这个 调用本身 是否仍具意义？”（如命令是否揭示了用户意图）和“这个 返回结果 是否必须原文存在？”（如错误堆栈是否含行号）。二者得分低于阈值才分别处理，避免“一刀切”误删。
• 抗爆仓式状态适配：面对超长对话，它不粗暴砍头去尾，而是按优先级分七级渐进压缩：先缩工具输入（1000→200→60 字），再缩普通文本（首尾保留+中间省略），再合并旧消息为占位符 [… 3241 chars omitted …]，最后才折叠纯工具调用为单行摘要（t7 List dir=src/ → ok 12 entries），全程确保最终状态严格控制在 25K tokens 内。
• 零信任式决策验证：所有 Jev 返回结果都经结构化校验——缺失 keepCall 或 keepResult 字段、类型错误、JSON 格式异常，均立即抛出错误，拒绝静默失败。开发者可明确知道“哪里没跑通”，而非得到一份不可靠的压缩结果。
• 无缝集成 Claude Code 插件体系：开箱即用替换官方内置的上下文压缩逻辑。只需启用插件，后续所有会话自动启用 Jev 决策压缩，无需修改任何已有工作流或提示词工程。
• 灵活可移植的 npm 库设计：不仅限于 Claude 生态，导出的 compactMessages() 函数接受标准 Message[] 数组，兼容任何基于 Anthropic 消息格式的系统；还可自定义 JevAsker 接口对接私有 Jev 服务或 mock 测试环境。
• 透明压缩效果反馈：返回对象中包含 stats 字段（原始 token 数、压缩后 token 数、删除的工具对数量）及 reductionRatio() 工具函数，让你一眼判断本次压缩是否“划算”——若压缩后体积仍大于原始的 75%，系统建议直接保留原对话，避免无效处理。

技术亮点

• “全量可见”决策范式：区别于主流 LLM 压缩方案依赖摘要生成，本项目将完整对话历史（含全部 tool_use/tool_result）作为 Jev 的输入状态，仅对 tool_result 做轻量占位（ok, 4213 chars (omitted)），确保模型始终在真实语境下做判断，杜绝因摘要失真导致的误判。
• 无 tokenizer 的鲁棒 token 估算：为规避不同 tokenizer 实现差异，项目采用经验公式估算 token 数（单词≈6字母/1token，数字≈0.5token/个，符号≈1token/个），并经实测校准至略高于 Jev 官方计数，有效防止因预估不足导致请求超限崩溃。
• 并发安全的批量请求调度：当工具调用过多导致单次 Jev 请求超 30K tokens 限制时，自动将问题拆分为多个子请求，并发发送——但每次均携带同一份完整状态副本，保证各批次决策依据一致；响应合并后统一应用，避免状态分裂风险。
• 内存友好的增量重建机制：压缩后的消息列表并非全新构造，而是复用原始对象引用（未改动的消息直接返回原对象），仅对需修改的消息新建实例；且自动清理空消息（如某轮仅剩被删工具结果），避免产生“幽灵空行”污染上下文。

适合哪些人用

本工具特别适合三类深度使用 Claude Code 的开发者：

• 企业级代码审查工程师：在分析跨 5 个微服务的分布式报错时，需同时保留 curl -v http://auth:3000/health 命令、其返回的 401 错误体、以及上游网关日志中的 trace_id —— fast-jev-compaction 可确保这三者不被任何摘要抹平，始终以原始形态参与后续推理。
• AI 辅助开源贡献者：当你为 Rust 项目提交 PR 前，在 Claude 中反复运行 cargo test --no-fail-fast、git diff、rustfmt --check，工具能智能识别出首次失败的测试用例输出需保留，而后续重复成功的 rustfmt 结果可安全丢弃，大幅缩短上下文长度而不损关键线索。

快速上手

作为 npm 库使用：

npm install fast-jev-compaction
export TYPESAFE_API_KEY=your_jev_api_key_here

代码调用示例：

import { compactMessages } from 'fast-jev-compaction';

const transcript = [
  { role: 'user', text: '修复 tests/login.test.ts 中的超时错误，跳过 network 测试', toolUses: [] },
  { role: 'assistant', text: '', toolUses: [{ tool_use_id: 't1', tool: 'RunTest', input: { cmd: 'npm test -- tests/login.test.ts' } }] },
  { role: 'user', text: '', toolResults: [{ tool_use_id: 't1', text: 'TimeoutError: login() took >5000ms...' }] }
];

const result = await compactMessages(transcript, {
  preserveRecentMessages: 3,
  keepThreshold: 0.65,
  truncateHeadChars: 500
});
console.log('压缩后消息:', result.messages);

同类对比 / 注意事项

• vs 传统 LLM 摘要压缩：后者像“让实习生写会议纪要”，必然丢失细节；fast-jev-compaction 则如“请法务逐条审阅合同附件”，只删冗余条款，关键条款一字不改。
• vs 纯规则式截断：简单保留最近 N 条消息会误杀早期但关键的工具结果（如第一轮读取的 config.json）；本工具通过 Jev 动态评估每项内容的当前价值，实现语义感知裁剪。
• 注意事项：需自行申请并配置 TYPESAFE_API_KEY（指向 Jev 服务）；首次部署建议设置较低的 keepThreshold（如 0.5）观察决策倾向；若对话中存在大量超长日志（>10MB），需预先用 fitState 工具函数测试能否成功装入 25K tokens 限制。

项目信息

TypeScript｜6179 Star｜MIT 协议｜GitHub 项目地址

如果你厌倦了 AI “好心办坏事”的上下文压缩，渴望每一次工具调用都得到尊重、每一处错误细节都被珍视——fast-jev-compaction 不是更快的压缩器，而是你与 Claude 之间值得信赖的上下文守门人。