chore: remove paper, add summary, update README

README.md

@@ -1,6 +1,8 @@
 # 上下文门控器 (Context Gatekeeper)
 
-**论文：** https://gitea.ephron.ren/elaina/context-gatekeeper/src/branch/main/paper.md
+> ⚠️ **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。
 
@@ -44,9 +46,9 @@ gate = ContextGatekeeper(token_budget=4000)
 
 # 添加多轮对话
 gate.add_turn("如何设计一个 Redis 分布式锁？",
-              "分布式锁需要满足互斥性、死锁避免、性能要求。常用 Redisson 实现。")
+              "分布式锁需要满足互斥性、死锁避免、性能要求。")
 gate.add_turn("锁的 TTL 设置多少合适？",
-              "TTL 取决于业务操作耗时，建议 3-5 倍 buffer，同时要续期机制。")
+              "TTL 取决于业务耗时，建议 3-5 倍 buffer，同时要续期机制。")
 
 # 为当前查询选择上下文
 selected = gate.select("锁的 TTL 设置多少合适？")
@@ -74,9 +76,9 @@ context-gatekeeper/
 ├── tests/
 │   ├── test_gatekeeper.py      # 单元测试（9/9）
 │   └── test_full_evaluation.py # 完整评测
-├── evaluation_results.json      # 评测结果
-├── paper.md                    # 技术论文
-├── SPEC.md                    # 规格文档
+├── evaluation_results.json      # 评测结果（20轮对话）
+├── SUMMARY.md                  # 未完成灵感记录
+├── SPEC.md                     # 规格文档
 └── README.md
 ```
 
@@ -86,15 +88,15 @@ context-gatekeeper/
 # 单元测试
 pytest tests/test_gatekeeper.py -v
 
-# 完整评测（20轮对话）
-pytest tests/test_full_evaluation.py -v
+# 对照实验（需要 SiliconFlow API key）
+python test_comparison.py
 ```
 
 ## 算法细节
 
 ### 话题门控判断
 
-```python
+```
 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)
 
@@ -116,12 +118,24 @@ score = 1.5·lex(u_b,q) + 0.7·lex(a_b,q) + 1.0·exact(b,q) + 0.2·recency(b)
 gain(b|S) = Σ IDF(t) for t ∈ cov(b)\covered(S) / cost(b)^α,  α=0.8
 ```
 
+## 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）：
+
+| 指标 | 无门控（完整50轮） | 有门控 |
+|------|-----------------|--------|
+| 召回范围 | 全部50轮 | 仅相关轮次 |
+| Token节省 | — | **96%** |
+
+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。
+
 ## 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
 - 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
 
 **适用场景：**
 - 资源受限的生产环境（边缘设备、私有部署）