mosaic_compress

基于自然遗忘曲线的无状态对话压缩。

LLM 对话线性增长，MosaicCompress 让它们永远有界——自动、无感，用户甚至 不需要知道"会话"是什么。

工作原理

消息数组（R 轮，从旧到新）：

第 1 轮 ────→ 第 (R-50) 轮   │ Heavy 区 → 全部 → 2 条摘要消息
第 (R-49) 轮 → 第 (R-30) 轮  │ Light 区 → 逐条脱水，数量不变
第 (R-29) 轮 ──→ 第 R 轮     │ Raw 区  → 原样保留

稳态消息数恒定——2 + heavyStart × 每轮消息数（纯双消息对话为 102 条）， 第 60 轮还是第 15,000 轮都一样。压缩率趋近 100%。

设计哲学：鲜活的记忆，不是交接简报

行业通用做法是阈值触发的一次性全量总结：窗口满了就把全部历史压成一份简报， 交给"看过笔记的新人"——最近的细节也在最该鲜活的地方被转述丢失，且损失不可见。

MosaicCompress 模拟的是生物遗忘曲线：人不会记得 300 轮对话的第 3 轮， 只会留下教训、规则与关系。算法在同一份消息数组里复现这条曲线：

最近 30 轮    → 逐字保留（鲜活——正在做的事）
第 30-50 轮   → 结构化截断（reasoning/参数/结果精简，文本保留）
第 50 轮以前  → 一条摘要对：身份、环境、权限、规则

没有切换时刻、没有重置、没有长度上限。损失是可见的：分区结构告诉模型 它不再知道什么，需要时可以从 shadowed 存储取回细节。

	阈值总结（行业通用）	MosaicCompress
比喻	失忆 + 读日记	连续的鲜活记忆
连续性	每次压缩都重置	永不重置
损失	无差别、不可见	渐进、可见
近期轮次	在最该鲜活的时刻被转述	永远逐字
目的	可移植的交接简报	无界的人机对话

两种哲学互补：交接简报服务于冷启动与长中断；MosaicCompress 服务于 留在对话里。配合宿主持久存储（如 MEMORY.md），人与 AI 可以在同一条 遗忘曲线下无限对话。设计文档 §8/§10 给出了位置即年龄 模型的形式化基础，§9 是"同一事件、三种记忆载体"的实证案例。

快速开始

npm install mosaic-compress

import { mosaicCompress, DEFAULT_CONFIG, type MosaicConfig } from 'mosaic-compress';

const config: MosaicConfig = {
  ...DEFAULT_CONFIG,
  callLLM: async (systemPrompt, userInput) => {
    const res = await openai.chat.completions.create({
      model: 'gpt-4o-mini',
      messages: [
        { role: 'system', content: systemPrompt },
        { role: 'user', content: userInput },
      ],
    });
    return res.choices[0].message.content ?? '';
  },
};

// 每轮调用一次——阈值以下零成本；结构化 light 毫秒级，Heavy 折叠约 1-2 秒
const compressed = await mosaicCompress(messages, config);

特性

• 无状态 & 可重复——无会话状态；每轮调用，输出可直接作为输入
• 阈值以下零成本——未到压缩点时立即返回
• 防抖动——只在窗口边界压缩
• 模型无关——自带 callLLM（OpenAI、Anthropic、本地模型…）
• 工具调用安全——工具消息不破坏轮次计数
• 优雅降级——LLM 失败不阻断对话

DeepSeek Harness 集成

MosaicCompress 的 DSH 插件后端在 dsh-module/： MosaicCompactionEngine 继承官方 BasicCompactionEngine，把三区遗忘曲线 带进 DSH 会话——Light 结构化截断（1:1 表面替换，原始进 shadow），Heavy 折叠为 单个永不超上限的 checkpoint。中文设计文档：dsh-module/DESIGN.cn.md。

相关：

• DeepSeek Harness — 宿主平台
• — DSH 插件精选
• 设计文档（中文） — 理论与实证

基准

确定性模拟（零 LLM 成本、可复现），真实算法 + 规则伪 LLM：

npm run bench                        # 合成扫描：100 / 500 / 1000 / 5000 轮
npm run bench -- --file chat.json    # 分析你自己的对话文件

详见 benchmark/README.md（方法、数据、局限与真实 LLM 抽查 npm run bench:real——DeepSeek V4 Flash，<$0.01，5/5 事实保持）。

开发

npm test          # 零 LLM 成本（mock 响应）
npm run typecheck

License

MIT — TuringCorp | iAsk@turingcorp.net