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？")
@@ -74,8 +76,8 @@ 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
+├── evaluation_results.json      # 评测结果（20轮对话）
-├── paper.md                    # 技术论文
+├── 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）
+# 对照实验（需要 SiliconFlow API key）
-pytest tests/test_full_evaluation.py -v
+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）

SUMMARY.md

@@ -0,0 +1,95 @@
+# 上下文门控器 · 未完成的灵感
+
+> 这是一个被暂时搁置的项目，记录在此作为未来工作的起点。
+
+---
+
+## 灵感来源
+
+大语言模型在多轮对话中面临两个核心问题：
+
+1. **上下文污染**：历史话题干扰当前话题，导致回答偏离
+2. **上下文膨胀**：历史长度线性增长，计算成本上升，容易超出 context window
+
+现有方案多依赖 embedding 模型或向量检索，在资源受限环境下难以部署。
+
+---
+
+## 核心想法
+
+设计一个**无需额外模型**的轻量级上下文选择器：
+- 用**话题门控**判断继续还是切换（基于锚点 overlap）
+- 用**稀疏检索**（BM25/IDF）替代向量检索
+- 用**最小覆盖贪心**选择最相关的历史片段
+
+---
+
+## 已完成的部分
+
+- [x] 完整代码实现（纯 Python，无第三方模型依赖）
+- [x] 四阶段流程：锚点提取 → 话题门控 → 稀疏召回 → 最小覆盖选择
+- [x] 单元测试 9/9 通过
+- [x] 与 Qwen/Qwen3-8B（SiliconFlow）的端到端联调
+- [x] 50轮对话对照实验（Token 节省 96%）
+- [x] 两轮子代理代码评审，发现并修复了 2 个严重 bug
+- [x] README.md 完整文档
+
+---
+
+## 未完成的部分
+
+- [ ] 在标准数据集（QuAC/CoQA）上与 Attentive History (BERT) 做对照实验
+- [ ] 与 last-N 基线的量化对比
+- [ ] 论文撰写（在标准学术数据集上验证后才写）
+- [ ] 消融实验（各模块贡献度分析）
+- [ ] 中文停用词表（提升锚点质量）
+- [ ] 句级裁剪（目前最小粒度是整个 block）
+- [ ] tiktoken 精确 token 估算
+
+---
+
+## 关键发现
+
+### 对照实验（50轮对话）
+
+| 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%** |
+| 回答质量 | 正确 | 正确 |
+
+### 发现的 bug
+
+1. `_active_topic` 在话题切换后不更新（已修复）
+2. `TopicGate` 实例状态与 `_active_topic` 不同步（已修复）
+
+---
+
+## 相关工作（待深入）
+
+| 论文 | 方法 | 与本文的关系 |
+|------|------|-------------|
+| Attentive History Selection (2019) | BERT + 注意力软选择 | 需要GPU，本文纯规则 |
+| The Complexity Trap (2025) | 简单丢弃旧observation | 证明了简单选择≈复杂压缩 |
+| DiSCo (2024) | LLM蒸馏稀疏检索 | 需要训练，本文无需训练 |
+
+---
+
+## 启动建议
+
+```bash
+cd context-gatekeeper
+pip install -e .
+
+# 运行测试
+pytest tests/test_gatekeeper.py -v
+
+# 对照实验（需要 SiliconFlow API key）
+python test_comparison.py
+```
+
+---
+
+## 仓库地址
+
+https://gitea.ephron.ren/elaina/context-gatekeeper

test_comparison.py

@@ -0,0 +1,107 @@
+"""
+对照实验：有上下文门控 vs 无上下文门控
+使用 SiliconFlow Qwen/Qwen3-8B 模型
+"""
+
+import os
+import json
+import requests
+from src.gatekeeper import ContextGatekeeper
+
+# SiliconFlow API 配置
+API_KEY = "sk-ryxkiqmodfrlthvzvcwrrvbcxilkfibymjrkorgkplhctwff"
+API_URL = "https://api.siliconflow.cn/v1/chat/completions"
+
+def call_llm(prompt: str, model: str = "Qwen/Qwen3-8B") -> str:
+    """调用 SiliconFlow LLM"""
+    headers = {
+        "Authorization": f"Bearer {API_KEY}",
+        "Content-Type": "application/json"
+    }
+    payload = {
+        "model": model,
+        "messages": [{"role": "user", "content": prompt}],
+        "max_tokens": 512,
+        "temperature": 0.7
+    }
+    resp = requests.post(API_URL, headers=headers, json=payload, timeout=60)
+    resp.raise_for_status()
+    return resp.json()["choices"][0]["message"]["content"]
+
+
+def build_prompt_no_gatekeeper(query: str, history: list) -> str:
+    """无门控：直接拼接最近N轮历史"""
+    context_parts = []
+    for h in history[-3:]:  # 最近3轮
+        context_parts.append(f"用户: {h['user']}\n助手: {h['assistant']}")
+    context_str = "\n\n".join(context_parts)
+    return f"{context_str}\n\n用户: {query}"
+
+
+def main():
+    gk = ContextGatekeeper(token_budget=1500)
+
+    # 构造一段有话题切换的对话历史
+    conversations = [
+        ("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，核心是 SET if Not Exists + 过期时间。"),
+        ("锁的 TTL 设置多少合适？",
+         "TTL 取决于业务耗时，建议 3-5 倍 buffer。同时要 watchdog 续期机制。"),
+        ("介绍一下 Python 的异步编程",
+         "Python 异步编程用 async/await，配合事件循环。asyncio 是标准库，典型场景是 IO 密集型任务。"),
+        ("asyncio 是怎么工作的？",
+         "asyncio 基于协程和事件循环。调用 await 时协程挂起，事件循环调度其他协程执行。"),
+        ("Redis 支持哪些数据结构？",
+         "Redis 支持 String、Hash、List、Set、ZSet 五种基本类型，还有 Bitmap、HyperLogLog 等。"),
+        ("它和 Memcached 有什么区别？",
+         "Redis 是持久化数据库，Memcached 是纯内存缓存。Redis 支持更多数据结构。"),
+    ]
+
+    history = []
+    for u, a in conversations:
+        gk.add_turn(u, a)
+        history.append({"user": u, "assistant": a})
+
+    # 测试Query：话题已切换到Python，问的是Redis（有上下文污染风险）
+    test_query = "如何保证 Redis 缓存和数据库一致性？"
+
+    print("=" * 70)
+    print("对照实验：Qwen3-8B 有/无上下文门控")
+    print("=" * 70)
+    print(f"\n测试Query: {test_query}\n")
+
+    # --- 无门控 ---
+    print("【无门控】最近3轮直接拼接")
+    print("-" * 50)
+    prompt_no_gate = build_prompt_no_gatekeeper(test_query, history)
+    print(f"[输入]\n{prompt_no_gate}\n")
+    answer_no_gate = call_llm(prompt_no_gate)
+    print(f"[输出] {answer_no_gate[:200]}...")
+
+    print()
+
+    # --- 有门控 ---
+    print("【有门控】上下文门控器选择相关片段")
+    print("-" * 50)
+    selected = gk.select(test_query)
+    print(f"召回 blocks: {[b['turn_id'] for b in selected]}")
+
+    context_parts = []
+    for b in selected:
+        context_parts.append(f"【轮次 {b['turn_id']}】\n用户: {b['user']}\n助手: {b['assistant']}")
+    context_str = "\n\n".join(context_parts)
+    prompt_with_gate = f"你是一个有帮助的助手。\n\n【相关上下文】\n{context_str}\n\n【当前问题】\n用户: {test_query}"
+
+    print(f"[输入]\n{prompt_with_gate}\n")
+    answer_with_gate = call_llm(prompt_with_gate)
+    print(f"[输出] {answer_with_gate[:200]}...")
+
+    print("\n" + "=" * 70)
+    print("对比分析:")
+    print(f"无门控 - 可能受最近Python话题干扰")
+    print(f"有门控 - 仅召回Redis相关轮次 {[b['turn_id'] for b in selected]}")
+    print("=" * 70)
+
+
+if __name__ == "__main__":
+    main()