tamaratran/fast-jev-compaction
# 技术雷达学习卡：fast-jev-compaction
一、一句话定位
一个基于 Jev 模型评分 的对话历史压缩工具（Claude Code 插件 / npm 库），只删除或截断不再需要的工具调用和结果，绝不改写任何文本，实现无损紧凑。
二、核心技术/架构亮点
1. 无损决策：不生成摘要，仅通过两个布尔问题（“调用是否保留？”“结果是否保留？”）让 Jev 逐条评分，保留概率低于阈值的直接删除或截断。
2. 多阶段状态适配：当完整对话超出 `maxStateTokens`时，按顺序执行截断输入、缩短长文本、折叠旧消息等步骤，确保状态始终可放入请求。
3. 并发请求与合并：将多个决策问题拆分成多个并发的 Jev 请求，每个请求携带相同完整状态，最后合并答案。
4. 可组合模块：核心逻辑拆分为独立函数（`fitState`, `batchCalls`, `decideCall` 等），可单独复用或替换传输层（`JevAsker` 接口）。
5. 插件与库双模式：既是 Claude Code 的 function-hook 插件（替换内置摘要），也可作为独立 npm 库被任意 JS/TS 项目调用。
三、适用场景与目标用户
- Claude Code 重度用户：需要更精确的历史压缩，避免内置摘要丢失文件路径、错误信息等关键细节。
- LLM 工具链开发者：想借鉴“模型自我评估”而非黑盒压缩的思路，优化上下文管理。
- 追求可审计性的团队：所有决策可回溯（`decisions` 字段），且原始文本不变。
四、可动手动作
1. 快速体验 npm 库：
```bash
npm install fast-jev-compaction
export TYPESAFE_API_KEY=your_key
```
在代码中调用 `compactMessages(transcript, options)` 处理消息数组，获取压缩结果。
2. 安装 Claude Code 插件（需要 2.1.274+ 及 function-hooks 开关）：
```bash
claude plugin marketplace add tamaratran/fast-jev-compaction
claude plugin install fast-jev-compaction@fast-jev-compaction
```
3. 借鉴思路：在自己的 LLM 应用中实现类似“为每个上下文片段询问是否保留”的机制，而非统一总结。
五、学习优先级：P1（排期）
理由：方法独特、有论文级别的设计价值（无损压缩 + 模型自评），但需要依赖特定模型（Jev）且专为 Claude Code 优化，普适性有限；适合排期深入阅读源码，理解多阶段压缩策略。⌂