billion-context：分层压缩加按需恢复，让Agent支撑十亿Token长会话
做长会话Agent的可以看看：它不像普通摘要压缩那样丢细节，历史能搜索还能恢复原始内容，Claude Code、Codex这些都能用。
billion-context针对长时运行Agent上下文爆满和Token成本高的问题，采用增量分层压缩，把旧上下文折叠为摘要而非反复压缩整段对话。与一次性摘要式压缩的最大区别是历史可恢复：需要追溯早期决策、代码修改或工具调用时，可通过decompress恢复原始内容。还提供search_context接口检索压缩摘要，找到相关历史后再按需恢复。方案同时优化Prompt Cache前缀稳定性，减少重复计算成本，适用于Claude Code、Codex、OpenCode、DeepSeek Harness等Coding Agent。
让Agent自己压缩、搜索、恢复历史上下文，用有限的窗口支撑十亿Token级别的累计会话
billion-context：解决长时运行时上下文爆满、Token成本高，以及压缩后丢失关键历史信息的问题
跟一次性摘要式压缩最大的区别是历史可恢复
其思路是把历史对话分层压缩，同时保留原始内容，让模型在需要时再搜索、恢复特定片段，让有限窗口通过持续压缩与恢复，来支撑十亿级Token的长会话
首先增量分层压缩：Agent可以主动选择压缩哪些历史消息，将旧上下文折叠为摘要，而不是反复压缩整段对话
按需恢复：需要追溯早期决策、代码修改或工具调用时，可以通过decompress恢复原始内容
历史搜索：通过search_context检索压缩摘要和当前可见消息，找到相关历史后再按需恢复原始内容
Prompt Cache优化：尽量保持缓存前缀稳定，减少重复计算和Token成本
举个例子，AI连续开发了一个项目数周，中途经历多次重构，第十天需要追溯第一天为什么选择某个数据库架构，可以搜索历史并恢复当时的原始讨论，而不是只能依赖一段可能遗漏细节的压缩摘要
支持面比较广，Claude Code、Codex、OpenCode、DeepSeek Harness等Coding Agent都适用
#AI上下文扩展 #billioncontext #AIcontext
