$ loading_
为大模型对话提供上下文压缩，在保真前提下降低 token 消耗。
复制安装指令，让 AI 自动完成配置 · 推荐新手
"compresh-mcp" 暂无可直接复制的安装信息，请查看页面文档或源码仓库。
请将以下代理对话历史压缩为等价上下文，保留关键约束、未决问题、事实依据和风险标记，并尽量减少 token：{{对话内容}}输出一份更短但语义等价的对话摘要，可直接继续喂给模型。
整理并压缩这段多轮推理记录，标注已确认事实、推测内容、信息缺口和引用依据，避免丢失关键判断前提：{{推理记录}}输出带认知标记的压缩结果，方便后续代理安全续写与决策。
从以下历史交互中提取可复用的长期语义记忆，去重合并相似内容，并生成适合后续检索的压缩表示：{{历史交互}}输出结构化的语义记忆条目与压缩表示，便于检索和上下文注入。
压缩长文本上下文并按标题标签检索，显著降低大模型 token 消耗。
压缩并代理 MCP 响应，帮助大模型降低令牌消耗并高效调用工具。
通过 MCP 提供内容压缩能力，帮助缩短上下文并优化 AI 工作流传输效率。
压缩 MCP 工具 schema，显著降低 token 消耗并保持完整语义与确定性。
帮助代理监测上下文压力、压缩会话历史并跨会话恢复关键规则与文件状态
通过测量、压缩、缓存与裁剪 token，显著降低 AI API 成本且无需改提示词。