长对话压缩器

问题：长对话会悄悄吃掉上下文

在持续追问、调试和需求澄清的会话里，历史消息会快速膨胀。到后面，模型不只是多读几行文本，而是需要在越来越长的历史中重新定位关键信息。表现通常是：早期决定被后面的追问淹没，用户已经确认的约束在后续回答里被遗忘，或者为了省 context 只能手动复制粘贴摘要。这个技能解决的是对话层上下文膨胀：不是重写系统，而是把当前对话窗口里值得保留的内容提炼成结构化摘要，同时给出压缩前后的 token 估算，让你能判断值不值得折叠。

工作方式：从原始历史到可粘贴摘要

核心流程分四步：

1. 读取当前对话窗口，不触碰 Skill 文件、记忆文件或外部数据源。
2. 识别对话中的关键事实、决策和待办节点，并标记哪些往返属于可安全折叠的冗余内容。
3. 生成分层摘要：顶层放结论和当前仍然有效的约束，细节保留索引或指向原始消息，而不是把全部历史原样塞进去。
4. 输出一份 压缩版上下文，可直接粘贴到新会话，也可以作为继续当前会话的摘要底座。

此外，输出会附一个粗略的 token 节省估算，用于对比折叠前与折叠后的上下文长度。它不负责自动修改原始记录，也不替代用户确认关键决策。

红线与适用边界

压缩时必须保留用户明确给出的关键事实和待办，不能因为摘要而丢弃。摘要内容会标注 AI 提炼，请核对，因为关键决策仍应以用户原始表述为准。原始对话记录不会被覆盖；如果用户后续发现摘要有遗漏，可以回到原文补正。

适用场景是对话内上下文管理。跨平台使用时，不同客户端的对话窗口机制不同，因此技能产出的是可粘贴的摘要文本，由用户决定如何注入新会话。它不修改任何 Skill 或记忆文件，也不会把对话内容当作不可变事实。