# 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