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
作者补充：