$ loading_
用确定性压缩对话上下文，降低 token 消耗
复制安装指令，让 AI 自动完成配置 · 推荐新手
"gwen-digestor" 暂无可直接复制的安装信息，请查看页面文档或源码仓库。
请用 gwen-digestor 压缩这段长对话，保留关键决策、待办和未解决问题。
输出一段更短的对话摘要，保留关键信息。
请把当前讨论整理成可继续追问的压缩上下文，尽量减少 token 占用。
得到可继续对话的精简上下文。
请根据当前对话类型，使用合适的模式压缩内容，并保留最重要的信息。
输出符合当前场景的压缩结果。
当对话越来越长、token 成本上升时，可以用它把历史内容压缩成更短的上下文。适合需要持续追问但又不想丢失关键信息的场景。
在 MCP 客户端里处理多轮讨论时，它能把重要决策、待办和上下文线索保留下来。这样后续工具调用或继续对话会更轻量。
当你反复把长对话喂给模型时，可以先压缩再输入，减少 token 消耗。它适合对成本和稳定性都敏感的团队。
它是一个用于对话压缩的 MCP server，目标是减少 token 消耗。原始描述表明它采用确定性、无需 embedding 的压缩策略，并支持模式感知处理。
不需要。原始描述明确写明它是 embedding-free 的。
它强调确定性压缩和模式感知，而不只是生成通用摘要。具体安装和接入方式未提供，见源码仓库。
为大模型对话提供上下文压缩，在保真前提下降低 token 消耗。
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。
帮助管理大模型上下文容量、压缩对话并建立可持久语义记忆。
监控 AI 编码代理上下文窗口占用，提前触发状态保存与压缩准备。
压缩上下文并持久化任务检查点，显著降低 AI 代理 token 消耗
压缩并分析超大模型上下文与代理载荷，保留关键信息以提升推理效率。