chore: update README with full algorithm, remove concrete hardware specs

README.md

@@ -1,15 +1,11 @@
 # 上下文门控器 (Context Gatekeeper)
 
-> ⚠️ **项目状态**：代码已完成并通过测试，论文暂未撰写。如需在学术场景使用，建议先在 QuAC/CoQA 等标准数据集上完成对照实验。
-
-**灵感和背景**：https://gitea.ephron.ren/elaina/context-gatekeeper/src/branch/main/SUMMARY.md
-
 轻量级上下文选择器，在同一会话中自动从历史对话里选出最小且相关的片段，减少话题污染和控制上下文长度。
 
 ## 特性
 
 - 🚀 **纯 Python**，无需向量化模型依赖（无 embedding、reranker、分类器）
-- 💻 **轻量运行**，2 核 2G 环境可流畅运行
+- 💻 **资源消耗极低**，依赖极少，普通的私有部署环境都能跑
 - 🔍 **话题门控**，通过锚点 overlap + new_ratio 判断继续/切换，含指代词强制继承
 - 📦 **稀疏召回**，BM25/IDF-overlap 评分，用户侧权重高于助手侧
 - 🎯 **最小覆盖**，基于 IDF 加权集合覆盖的贪心选择
@@ -94,16 +90,31 @@ python test_comparison.py
 
 ## 算法细节
 
+### 锚点提取
+
+从文本中提取有检索价值的关键词单元，支持：
+
+- **中文**：2-gram 和 3-gram（如"分布式锁"、"跨进程通信"）
+- **英文**：单词形态
+- **代码**：标识符、版本号（如 `v1.2.3`）
+- **引号短语**：完整的技术术语
+
+规则驱动，无需分词库，响应速度极快。
+
 ### 话题门控判断
 
 ```
 overlap = Σ IDF(t) for t ∈ A(q)∩A(T) / Σ IDF(t) for t ∈ A(q)
 new_ratio = Σ IDF(t) for t ∈ A(q)\A(T) / Σ IDF(t) for t ∈ A(q)
 
-if overlap > 0.45: continue
+if overlap > 0.45:           # 重叠度高，继续当前话题
-elif overlap < 0.20 and new_ratio > 0.70: switch
+    continue
-elif has_deictic: continue  # 指代词强制继承
+elif overlap < 0.20 and new_ratio > 0.70:  # 新词占比高，切换话题
-else: continue              # 中间地带默认继续
+    switch
+elif has_deictic:            # 有指代词，强制继承
+    continue
+else:
+    continue                  # 中间地带默认继续，避免切断正在发展的思路
 ```
 
 ### 稀疏召回评分
@@ -112,12 +123,23 @@ else: continue              # 中间地带默认继续
 score = 1.5·lex(u_b,q) + 0.7·lex(a_b,q) + 1.0·exact(b,q) + 0.2·recency(b)
 ```
 
+- `lex(u_b,q)`：用户轮次与 Query 的 BM25/IDF 重叠（权重 1.5）
+- `lex(a_b,q)`：助手轮次与 Query 的 BM25/IDF 重叠（权重 0.7，助手侧信息量通常更小）
+- `exact(b,q)`：完全匹配奖励（精确命中关键词）
+- `recency(b)`：新鲜度奖励，越近的轮次权重越高
+
+取 top-20 进入下一步。
+
 ### 最小覆盖 gain
 
 ```
 gain(b|S) = Σ IDF(t) for t ∈ cov(b)\covered(S) / cost(b)^α,  α=0.8
+
+覆盖率达到 85% 或 token 预算耗尽时停止。
 ```
 
+**为什么用 IDF 加权**：高频词（如"数据"、"系统"）区分度低，低频词（如"GeoHash"、"分布式锁"）才是真正的语义锚点。用 IDF 加权确保选择的是真正有信息量的片段，而不是反复覆盖高频通用词。
+
 ## 对照实验（50轮对话）
 
 使用 SiliconFlow Qwen/Qwen3-8B 模型，50轮对话（前35轮Redis，中间10轮Python，最后5轮Redis）：
@@ -129,13 +151,54 @@ gain(b|S) = Σ IDF(t) for t ∈ cov(b)\covered(S) / cost(b)^α,  α=0.8
 
 有门控时 Query "Redis 的 GeoHash 用来做什么？" 仅召回轮次46（精确匹配），Python asyncio 轮次全部被过滤。
 
+完整伪代码：
+
+```
+function select(q, turns):
+    # 1. 锚点提取
+    anchors_q = extract_anchors(q)
+    active_topic = get_active_topic()
+
+    # 2. 话题门控
+    overlap = compute_overlap(anchors_q, active_topic)
+    new_ratio = compute_new_ratio(anchors_q, active_topic)
+
+    if overlap < 0.20 and new_ratio > 0.70:
+        active_topic = create_new_topic(anchors_q)  # 切换
+    elif has_deictic(q):
+        inherit_recent(2)  # 指代词，强制继承最近2轮
+    # 否则继续当前话题
+
+    # 3. 稀疏召回
+    candidates = []
+    for each turn i:
+        score_i = 1.5 * bm25(user_i, q) + 0.7 * bm25(assistant_i, q) + \
+                  1.0 * exact_match(i, q) + 0.2 * recency(i)
+        candidates.append((score_i, i))
+
+    top20 = top_k(candidates, k=20)
+
+    # 4. 最小覆盖贪心选择
+    selected = []
+    covered = empty_set()
+    for each block b in top20 sorted by gain:
+        new_anchors = extract_anchors(b) \ covered
+        if len(new_anchors) == 0: continue
+        gain_b = sum(IDF(t) for t in new_anchors) / cost(b)^0.8
+        selected.append((gain_b, b))
+        covered.update(new_anchors)
+        if coverage(covered) >= 0.85: break
+
+    return selected
+```
+
 ## 局限性与适用场景
 
 **局限性：**
-- 稀疏检索在语义相似但词形不同时召回率有限
+- 稀疏检索依赖词形匹配，语义相近但词形不同的情况容易漏召
-- 中文锚点无停用词过滤，高频无意义词可能干扰 IDF
 - Token 估算为粗略估算（字符数×1.5），与实际有 2-3 倍误差
-- 最小粒度是整个 block，block 内部无句级裁剪
+- 最小粒度是整个 block，block 内部无句级裁剪，边界粗糙
+- 没有在 QuAC 这类标准学术数据集上做对照实验，无法跟 Attentive History 这类基于注意力机制的方法直接对比
 
 **适用场景：**
 - 资源受限的生产环境（边缘设备、私有部署）