我为代码智能体构建了一个上下文窗口优化框架——开源 + 论文

一直在研究一个我认为这里很多人面临的问题：智能体代码流水线消耗上下文窗口的速度过快，导致重要信息丢失，并在会话中途降低任务质量。Apohara Context Forge 是我解决这一问题的方案。它是一种针对 LLM 智能体结构化上下文组装的方法论及实现——本质上是一个分层相关性评分系统，根据当前任务和智能体角色，决定哪些内容进入上下文窗口以及以何种顺序进入。核心理念： - 角色感知上下文分割（不同的智能体需要不同形态的上下文） - 分层优先级评分，优先驱逐低价值 token - 与原生上下文打包方式进行了基准测试，在长时间会话中的任务完成率有显著提升 - 兼容任何模型（Claude、GPT-4o、Gemini、本地模型） 欢迎提问或讨论设计决策。