chenmingxuan/Artemis-Eapil
1
0 Fork 0
Code Issues Pull Requests Actions Packages Projects Releases 32 Wiki Activity
Files
b7dd8c6f4dbe27ab9e5a5e099d11e273708add19
Artemis-Eapil/docs/plans/history-module-redesign.md
T

97 KiB
Raw Blame History

ARTEMIS 历史模块重构：增量转写 + 分层压缩（统一方案 v3）

状态：v3 已实施并通过最终真机验收（2026-09-01，M0-M5 全部落地；最终验收五项全过，见 docs/plans/history-acceptance-2026-09-01.md；仅 git 提交待用户决定）

范围：Operator 执行历史的表示、累积、压缩与召回；Flash / Pro 双 profile 收敛为同一记忆运行时。

取代关系：

  • 取代 docs/design/pro-context-memory-redesign.md（2026-08-25）的 §6/§11/§12（分层历史、token 预算、缓存布局）——其"每回合重编译 + 预算选择"的前提被本方案的"增量转写"取代；其 §7（数据模型）、§8（视觉接地中立摘要）、§9（稳定分块）、§10（recall）被吸收并保留。
  • 修订 docs/plans/context-visibility-redesign.md 的 §6（方案 D 记忆内核）——StepMemoryService 统一运行时保留，但"两 lens 按 profile 分立"修订为"两 lens 按高度分立"（见 §5，决策变更已获用户确认，2026-08-31）。该文档的 Phase 0/1（State 显式化）已实施，Phase 2（PerceptionStore）/Phase 3（ctx 分解）不受本方案影响，Phase 4 由本方案取代。

0. 用户提案复述与结论

提案三条（2026-08-31）：

  1. 每步与 Flash 一致，仅做增量构建；后台用 Gemini 3.5 Flash-Lite 做图片压缩（视觉摘要替代截图）。
  2. 里程碑边界压缩：不再每步压缩，而是在切换里程碑时把上一段任务的历史压缩掉；保留现方案的滑动窗口底线（永远保留最近几步原始消息）。
  3. 上限兜底：长期不切换里程碑时，按最大上下文窗口限制触发压缩。
  4. （补充约束，2026-08-31/09-01 两轮明确）段级胶囊要特别详细、尽量维持原状、按步压缩，且定形为三段式：① 梗概与效果（在做什么/做了什么/有什么效果，含留下的笔记）→ ② 压缩步摘要（"Steps xx–xx 做什么、Step xx 做什么"区间叙事）→ ③ 逐步动作账本（每步一行：步号+时间+动作）。理由：视频分析模块按步号/时间戳对齐视频时间轴，且大模型对任务整体的时间感知必须精确到步。落点见 §3.3。

结论：方向成立，且与业界最优实践收敛。 Claude Code、Codex、Gemini CLI 全部采用"累积 + 阈值/边界触发压缩"，无一采用 ARTEMIS Pro 现在的"每回合全量重编译"（后者的直接代价：跨回合零消息连续性、零提示缓存命中、思考签名丢失）。姊妹文档把"真多轮消息"排在 Phase 5，本提案把它提前为核心架构——这是正确的提前。

在采纳的同时做四点修正/补强（正文展开）：

# 提案原文 修正 理由
1 "后台每步做图片压缩" 摘要每步后台准备，但替换延迟到固定深度批量应用（尾部倒数第 K 步才把图换成摘要） 就地改写第 i 字节起的缓存前缀全部失效；固定深度擦洗让前缀单调增长（Anthropic computer-use 官方同款权衡，见 §2.5）
2 "切换里程碑时压缩之前的任务" 里程碑切换当触发器，压缩块的身份按 step_id 范围锚定，里程碑 hash 仅作标签元数据 计划是动态索引不是历史键（姊妹文档 §9 实证结论）：计划改写/回滚/重命名不得破坏已压缩历史
3 "按最大上下文窗口限制压缩" 需要真实计量——现在全仓没有任何 token 计量（探索报告 §8）；用上一轮 usage_metadata.prompt_tokens 作为当前上下文的实测值 + 增量启发式，零额外成本 字符估算对图片/多模态误差大；上一轮实测输入即本轮上下文基数
4 （未提及） 补两层：紧急全量快照（阈值兜底也爆时，Codex/Gemini CLI 式结构化快照重启）与 recall_history 无损回捞（DataEngine 冷历史，压缩永远可逆） 无界任务（[Loop:continuous]）会耗尽任何有限分层；无损回捞是"敢压缩"的前提

1. 现状基线（2026-08-31 工作区实证）

1.1 Flash：append-only + 每轮就地压缩

  • 消息列表建一次、只追加，无任何消息驱逐，唯一边界是 max_turns=30（runner.py:166,177）。
  • compress_flash_messages（context_compressor.py:43）每轮 LLM 调用前全量重扫：只保留最后一张图（keep-last-1，:62-72）；历史 UI XML 从 --- UI Element List --- 标记截断（:133-139）；图片"摘要未就绪则保留"（lossless-pending，:141-146）；摘要以 --- Historical Visual Transition --- 前缀块注入 ToolMessage，幂等重建（:125-128）。
  • 已知缺口：摘要迟到回填会突变任意深度的历史消息（缓存敌意）；图已被丢而摘要仍未到时该步既无图也无摘要（race，:144 只保护仍在场的图）。
  • VisualStepSummarizer（flash/summarizer.py:39）：flash-lite、前图叠加红色动作标记+后图、无界重试（_retry_delays 末档 3s 永续循环，:105）、单次 25s 超时、成功后写 data_engine.update_step_summary（:205）。
  • token 仅做事后记账（char/4 + 258/图启发式，runner.py:293-315），从不驱动压缩。

1.2 Pro：每回合全量重建，零跨回合消息

  • _build_prompt 每回合新建 PromptBuilder，产出恰好 2 条消息（System + Human），回合结束整表丢弃（operator.py:161-218,705-715；prompts.py:139-154）。跨回合连续性只剩 plan_and_history 渲染串 + short_term_memory；思考签名、原生多轮全部丢失；提示缓存对易变尾部零命中（网关无任何 cache_control/cached_content plumbing，llm.py 全文）。
  • 历史可见性 4 策略散布 8 个调用点硬编码 kwargs（task_tree.py:797-942 + 探索报告 §2.4 全表）；strict_milestone 是硬悬崖——活跃里程碑外且最近 N 步外的历史完全消失，无摘要残留（:859-876）。
  • 摘要未就绪的降级：Flash 保图，Pro 回退整步 detailed 渲染（task_tree.py:920）——两者都是"多花 token 等摘要"，但均不可观测。
  • 两个 live bug：Diagnoser 传不存在的 window_steps= 参数 + 不存在的 history_window_steps 配置，异常被吞，Diagnoser 的历史每次都渲染成错误串（diagnoser.py:160-174）；build_plan_and_history 两个死参数（chronological_last_step/detailed_subgoal_hashes）4 个调用点仍在传。

1.3 存储与事件面

  • StepRecord 无 summary_status/version/chunk 概念；update_step_summary 是后台盲覆写，无版本无序保证（engine.py:974-1005）。扩展逃生口是 extra_metadata（已承载 subgoal_hash/width/height/token_usage）。
  • 里程碑切换的现成检测点：① 每步已盖章 extra_metadata["subgoal_hash"]（graph.py:128），相邻步 hash 变化即切换；② _process_plan_write（graph.py:505-615）是全部计划写入的单一漏斗，已在计算 milestones_changed/new_top_level_completions。重命名韧性由 subgoal_hash_chain.json 别名链保证（task_tree.py:991）。
  • 现成接缝：operator 模板里 unified_history="" 是已接线的空渲染槽（prompts.py:213）；PromptComponent 是干净插件点；MAX_MESSAGES_IN_HISTORY=25 是死常量（constants.py:16）。

2. 业界机制要点（2026-08 调研，取数字用于定标）

2.1 Claude Code：三层递进

① 微压缩（每次调用前、无模型参与）：清掉旧 tool_result，只留最近 3–5 个，占位符替代，原文落盘可回捞；② 服务端 context editing（clear_tool_uses）：默认 100K 触发、keep 3，关键参数 clear_at_least——不值得为小清理打破缓存就不清（批量摊销失效成本的官方形态）；③ 全量压缩：~95% 用量触发，9 节结构化摘要（意图/技术要点/文件/错误与修复/用户消息/待办/当前工作/下一步），压缩后重注入最近读过的 ~5 个文件。另有 memory tool：清理阈值临近时警告模型先把重要结果写进记忆文件。

2.2 Codex CLI：极简两件套 + 原生压缩

阈值 ≈ 有效窗口 − 13K（用户自设值被钳制在窗口 90% 以内）。压缩后只剩两样：一条摘要消息（进度/关键决策/约束/剩余工作）+ 最近 ~20K 原始用户消息；旧摘要被折叠进新摘要，永不堆叠。压缩后自动重读最近编辑的 ≤5 个文件（50K 预算）。GPT-5.1-Codex-Max 起模型原生训练了跨窗口压缩。UI 明示"多次压缩会降低准确性"。

2.3 Gemini CLI：70/30 + 结构化快照

历史达模型窗口 70% 触发；最近 30% 原样保留（切分点保证不劈开 tool-call/response 对）；更旧的压成 <state_snapshot> XML（overall_goal / key_knowledge / file_system_state / recent_actions / current_plan），压缩率 5–15%。

2.4 Manus KV 缓存法则（生产指标）

agent 输入:输出 ≈ 100:1，缓存命中是第一生产指标（cached $0.30 vs uncached $3.00/MTok）。法则：前缀字节级稳定（系统提示禁时间戳）、append-only（永不修改既往动作/观察、序列化确定性）、工具 mask 不删除、文件系统即外部记忆（可恢复地压缩：丢网页留 URL，丢文件内容留路径）、todo 复诵对抗 lost-in-the-middle、错误留在上下文里。

2.5 截图历史（computer-use 官方指引，与本仓直接同构）

Anthropic：截图每张 ~1,000–1,800 token，单请求 ≤20 张；推荐保留最近 3 张，更旧的每 ~25 轮批量修剪——明确说明逐轮修剪会每轮打破前缀缓存，批量修剪让失效事件之间前缀字节不变；被逐出的截图用一句文本摘要替位。参考实现即 only_n_most_recent_images 参数。OpenAI CUA 则靠服务端 previous_response_id 携带历史，客户端只上传新帧。

2.6 Gemini 缓存约束（本仓运行时）

隐式缓存 2.5+ 默认开启；最小可缓存前缀 2,048（2.5 系）/ 4,096（3.x 系）token，命中报告在 cachedContentTokenCount；条目短寿命，相似前缀请求要时间上贴近。显式 CachedContent TTL 默认 1h、按 token-hour 计存储费（explorer.py:1709 已有先例）。任何更早字节的改动使其后全部失效——这是修正 #1 的硬依据。

2.7 提炼的六条通用原则

  1. 累积为常态，压缩靠阈值/边界稀疏触发，不逐步进行。
  2. 突变要么贴尾（浅、可预测），要么稀疏成批（深、与语义边界重合）。
  3. 摘要输出结构化 schema，不是自由散文；旧摘要折叠进新摘要，不堆叠。
  4. 最近 K 步/最近 30% 永远原样——所有系统都有生窗口下限。
  5. 压缩必须可逆：原文外置（磁盘/DataEngine），占位符携带回捞引用。
  6. 计量用真实值，阈值分软/硬两档，硬档换更激进的形态而非同一手段加量。

3. 目标架构：单一转写（Transcript）+ 四区纪律 + 三级压缩

3.1 核心转变

Operator 的上下文从"每回合重编译的渲染串"变为会话级增量转写——一份 append-only 的消息账本，Flash 与 Pro 共用同一实现，由新服务 TranscriptLedger（挂 ctx.step_memory 之下或并列）持有。State 只携带轻引用，重物不进图通道（与 visibility 方案 C 同一原则）。

build_plan_and_history 不删除，降级为两个角色：

  • 辅助 agent 的编译视图：Diagnoser / Committee / Outputter / HistoryAnalyzer / Planner / Checker 仍按各自 ContextPolicy 从 DataEngine 编译（Claude Code 同型：主循环累积、子 agent 拿新鲜编译上下文）；
  • 转写的冷启动构造器：进程重启/崩溃恢复时，从 DataEngine 步骤记录重建转写的冻结区。

3.2 四区纪律（缓存友好的突变规则）

[S 稳定前缀]  系统提示 + 工具 schema + 计划语法
              整会话字节不变；≥4K token 以满足 Gemini 3.x 隐式缓存下限
[F 冻结历史]  已压缩产物：chunk 摘要块 + 逐步摘要行
              只在"压缩事件"时突变（稀疏、深）
[A 活跃窗口]  最近 N 步原始消息（AI 推理原文 + 工具结果）
              append-only；倒数第 K 步处有一个"擦洗沿"（浅、恒定深度）
[T 当前尾部]  本回合观察：当前截图 + UI 列表 + 计划复诵 + 注入指令
              每回合新建

突变只允许三种，全部可预测：

  1. 贴尾擦洗（深度恒定，逐回合）：
    • 深度 1：上一回合的 UI XML 列表、计划复诵副本剥除（现 Flash prune_history_xml 行为，代价只是最后一回合的缓存，几乎免费）；
    • 深度 K（默认 3）：倒数第 K 步的截图 → 替换为后台已备好的视觉转换摘要。摘要通常在几秒内就绪，K 步 ≈ 数十秒，几乎总能赶上；未就绪则该步暂缓（lossless-pending 保图），最多宽限 m 步（默认 3），仍未到则替换为占位符 [visual summary pending; evidence at DataEngine step N]——彻底消灭现 Flash 的"迟到回填突变任意深度"与"图丢摘要空"两个缺陷。
    • 恒定深度擦洗让缓存前缀单调增长（每轮失效的只是最后 K 步），同时 token 稳态恒定——严格优于"每 25 轮批一次"（后者在批间攒 25 轮的图）。
  2. 压缩事件（稀疏、深）：见 §3.3，F 区重写 + A 区前移。深突变与语义边界重合，此时接受一次全量 re-prefill（Claude/Codex 同款代价）。
    • 思维签名政策（2026-09-01 定）：回合内强制、A 区顺带、压缩即弃——Gemini thought signature 仅在当前回合函数调用周期内是 API 硬要求（原样回传）；A 区 AIMessage 字节不动故签名免费有效（擦洗只碰观察/工具消息，从不碰 AIMessage）；已完结回合的签名 API 层面可选，chunk 化整回合移除后自然消亡，不建任何跨压缩维护机制（签名绑定消息精确内容，语义上不可能脱离原消息存续）。真机 A/B 无签名相关错误佐证。
  3. 紧急快照（罕见）：F 区整体替换为会话快照，见 §3.3 L3。

3.3 三级压缩

L1 — 图片/XML 擦洗（上文深度 K 机制）。摘要由 StepMemoryService 每步后台 dispatch（flash-lite，沿用红标叠加 + 禁判定词契约），准备是每步的，应用是延迟的。

L2 — 段压缩（chunk 化），触发器取先到者：

  • 里程碑切换：唯一事实源是已执行步骤的 subgoal_hash 实际变化（_record_turn 处比较相邻步盖章）；_process_plan_write 的顶层完结事件只入队一个"待确认边界"，由下一个盖章步骤确认后才触发——防止被棘轮验证否决回滚的计划写入造成伪切换。切换时把上一段（不含活跃窗口底线内的步）压成一个 HistoryChunk；
  • 尺寸阈值（不切里程碑时的兜底，即提案第 3 条）：开放段累计 ≥12 步或段内摘要 ≥2K token；
  • 边界事件：包/Activity 大切换、目标变更、FA 边界、不可逆副作用（继承姊妹文档 §6.5 全表）。

Chunk 身份 = (start_step_id, end_step_id, source_step_ids)；subgoal_hash（经别名链解析）只是标签。

chunk 是"分段账本"，不是融合胶囊（用户硬约束，2026-08-31）：压缩只缩每步的宽度（推理原文/XML/截图 → 摘要/动作行），永不缩步的数量——段内步 1:1 保留，不合并、不重排、不丢步。两个刚性理由：① 视频分析模块以步号/时间戳为外键对齐视频时间轴，步粒度一旦融合即断链；② 大模型对任务整体的时间感知必须精确到步（"第 23 步做了什么、距今多少步"要可直接回答）。

chunk 内部结构为三段式（用户 2026-09-01 定形：梗概 + 效果 + 压缩步摘要，底下逐步动作）：

[Chunk 3 | 里程碑「登录并进入设置页」| Steps 18–29 | T+12:40 → T+15:02]

① 梗概与效果（LLM 段头）
  本段在做什么：为后续改配置，先完成登录并进入设置页。
  实际做了什么：用账号 A 走了短信验证码登录，途中关闭了一次推广弹窗。
  效果/留下什么：已登录态（账号 A）；验证码输入页出现过一次超时重发；
    笔记 notes/login_flow.md 记录了验证码入口路径。
  Entry: 应用主页，未登录    Exit: 设置页已打开
  Verified: …  Unresolved: …  Failed paths: …  Entities: …

② 压缩步摘要（LLM，逐区间叙事，必须带步号且全覆盖）
  - Steps 18–20: 进入登录页，切换到验证码登录并填入手机号
  - Step 21: 首次获取验证码后等待期间出现推广弹窗，关闭之
  - Steps 22–26: 输入验证码，一次超时后重发并重新输入
  - Steps 27–29: 登录后从侧边栏进入设置页

③ 逐步动作账本（机械拼装，1:1，永不省略）
  - Step 18 (T+12:40): tap(632,1180)[登录入口] → executed
  - Step 19 (T+12:56): tap(210,884)[验证码登录] → executed
  - Step 20 (T+13:04): type("138…") → executed
  …（每步一行，直到 Step 29）

三段的分工与生成方式：

  • ① 段头梗概（LLM，gemini-3.7-flash）：三问式散文（在做什么 / 做了什么 / 有什么效果——效果必须包含本段留下的笔记：段内 notes 写入/更新的文件与要点引用）+ 结构化字段（沿姊妹文档 §7.3：verified_facts / unresolved / failed_paths / important_entities / entry_state / exit_state）。要求特别详细、尽量维持原状：宁可长，不许把事实抽象到不可辨认。笔记关联是机械校验项（用户 2026-09-01 定，"不能丢"）：段内每条 note 写入（save/update/append_note，经 trace 抓取）的目标文件 key 必须出现在段头 effect 中，缺任一即该次尝试判负重生成——与 ② 的覆盖校验同级；chunk 存"指针+要点"，笔记全文在 notes 系统（read_note/recall 可回捞），可恢复压缩。
  • ② 压缩步摘要（LLM，同一次调用产出）："Steps xx–xx 做了什么，Step xx 做了什么"式的区间叙事，输入是段内逐步视觉摘要 + 动作 + Validator 结果。硬性约束：每行必须带步号引用；区间并集必须无缝覆盖整段步范围（机械校验，缺口即重生成）；同一区间只并列同质连续动作，异质动作单步成行；中立措辞契约沿用（禁判定词）。
  • ③ 逐步动作账本（机械拼装，不经 LLM，零失真）：步号 + 相对时间 + 精确动作 + Controller/Validator 结果短语，全部从 DataEngine 确定性渲染。这是视频对齐与步级时间感知的硬骨架，任何层级的压缩都不得触碰。三条账本细则：
    • 动作必须带元素语义（用户约束，2026-09-01）：tap(632,1180)['确认按钮'] 而非裸坐标。索引点击路径已在记录时存 target_text/resource_id/class（operator.py:893-896）；裸坐标路径（operator.py:854-861 返回全空）与 Flash/FA 动作工具需补记录时语义充实（见 §6.1）；坐标永远保留（视频对齐/重放的外键），语义并列。
    • FA 恢复子动作入账：一步内 Failure Analyzer 补做的真实设备动作（_exec_*，已在 interleaved_events）以缩进子行机械渲染——视频轴上有帧的动作，账本必须有行。
    • 用户注入指令逐字保全：段内 injected_instruction 以独立行原文保留在 ③（User @ Step 21: "…"），任何压缩层级 never-evict（Codex 保用户消息 / Claude Code 摘要设 All User Messages 节，同一共识）。

每步的完整视觉摘要不再逐条出现在 chunk 里（它们是 ② 的生成输入，原文永远在 DataEngine，recall 可回捞；A 区未压缩前照常在场）。chunk 版本化 append-only。

就绪门控交换（用户 2026-09-01 定，"必须就绪再换"；修订 M3 原实现）：段头 ①② 未就绪时禁止交换——原始消息原样留在转写里，lossless-pending 原则从图片层贯彻到段层。边界事件只做两件事：关闭段、dispatch 段头生成；交换发生在段头就绪之后的下一次渲染/压缩事件（深突变时机照旧成批，缓存代价不变，只是延后）。理由：段头缺席时 verified_facts 缺席，只剩"发生了什么"没有"确立了什么"——模型会怀疑已验证事实并重做，这是实测过的死循环高危形态。降级梯：生成失败（有界重试耗尽）→ 原文继续保留 + fallback 模型重投；软阈值压力下仍未就绪 → 依旧保留原文（正确性优先于 token）；仅硬阈值紧急态允许 ③-only 交换（带 pending 标记与 recall 指引；checker post-hoc 标注独立于段头，pending 态照常渲染）或直接走 L3。M3 原"冻结 ③ + pending 标记、下次事件收割"的实现按此修正——A/B 中"21 chunk 段头全 pending"在门控下退化为"尚未压缩"的安全形态，而非"历史只剩账本"。

旧 chunk 不堆叠新摘要：无界任务（[Loop:continuous]）下 chunk 数超限时做二级合并（era 合并）——合并的只是 ① 段头（结构化字段集合并，非散文再摘要），② 区间叙事与 ③ 逐步账本仍按段保留（预算极紧时 ② 可退化为只留区间标题行）。可见预算靠分级降宽（全三段 → ①合并+②③ → ①合并+③ → 时段段落）+ recall 兜底。

极限层（决策 5 终审定案，用户 2026-09-01）：允许丢步，压成"时段段落"——era 数再超上限时，最老 era 整体压缩为一段话，必须携带步号范围与起止时间：[Era N | Steps a–b | T+hh:mm → T+hh:mm] <一段话概括该时段在做什么/做了什么/留下什么> + recall 指引行；用户注入指令行仍逐字保留（never-evict 不随丢步豁免）。段落机械拼装优先（由该 era 各 chunk ① 的 doing/did/effect 与 verified_facts 浓缩，不做散文再摘要的 LLM 调用；段头缺失的 chunk 回退用里程碑标签）。步级可寻址在此层降级为"时段可寻址"：起止时间是视频对齐的粗粒度外键，步级细节走 recall_history 回捞（DataEngine 永远完整）。此前"步骨架任何层级不破"的表述据此修订：该不变量适用于 L2 chunk、era 合并、L3 快照，唯极限时段段落层除外。

L3 — 紧急全量快照：实测 token 越过硬阈值（如连续注入大量工具输出）时，F 区的段头/知识面整体替换为一个结构化会话快照（schema 取 Gemini CLI state_snapshot 与 Claude Code 9 节的交集，加本域字段）：overall_goal / plan_state / verified_facts / unresolved / failed_paths / important_entities / device_app_state / recent_actions。快照从 chunk 段头结构化字段合并生成，尽量不做"摘要的摘要"。逐步索引仍保留（最小行宽：步号 + 相对时间 + 动作短语），步级时间骨架在最坏情况下也不断链。A 区底线不动。

滑动窗口底线（提案第 2 条保留）：任何触发器都不得把 A 区压到 min_active_steps（默认 5）以下；最近 1–2 个完整回合（AI 推理原文 + 工具结果 + Validator 配对）永远原样——姊妹文档 §4.2"连续推理先于压缩"原则不变，且切分点永不劈开 tool-call/response 对（Gemini CLI 同款约束）。

3.4 计量与阈值

  • 实测优先：每轮把上一次 LLM 调用的 usage_metadata.prompt_tokens 记为转写基数，加本轮追加内容的启发式增量（char/4 + 每图按分辨率估算）作为决策输入。无估算器依赖、无额外调用。
  • 预算三档（临时默认值，M0 实测后定标）：context_budget_tokens=80K；软阈值 0.7（56K）→ 触发 L2 压最旧段；硬阈值 0.9（72K）→ L3 快照。工具单次输出上限 16K（Codex 同款），超限走同回合信封（姊妹文档 §13 保留）。
  • 姊妹文档实测提醒仍有效：8.8–12.7K 区间"长度与延迟无关"不可外推到 80K；但缓存命中改变了成本函数——M0 必须重测缓存命中下的 TTFT 曲线再定 budget。

3.5 可逆性与召回

  • 一切被压缩内容在 DataEngine 原样在案（现状已满足：截图 SHA-256 内容寻址、步骤/trace 全量）；占位符与 chunk 块一律携带 step 引用。
  • recall_history 工具照姊妹文档 §10 原样落地（FTS + step 范围 + 包/Activity + 屏幕 hash，≤5 结果 ≤2K token，图片按需回捞单步）；本地屏幕相似度提示（不发图、不调模型）保留。
  • Operator 只挂一个历史工具（2026-09-01 定，防过度设计）：取历史 = chunk ①②③ 常驻索引（免费）→ recall_history 确定性回捞（一次查询，事实级）。HistoryAnalyzer 不进 Operator 工具清单、不进提示词指导——它输出属推理级（事实优先级链最末）、每次调用是全量历史输入 + 关键路径等待，且"开放式跨历史语义问题"的需求目前纯属推测。仓库中它照旧存在（其他流程自用）；若真机 trace 日后出现"recall 反复查不到、问题属聚合/因果型"的实证，再评估以升级路径接入。era 溢出标记行指向 recall。

4. 与提案逐条对照

提案 方案落点
每步增量构建（Flash 式） §3.1 Transcript：Pro/Flash 统一 append-only；Pro 获得真多轮 + 思考签名 + 缓存命中
后台 flash-lite 图片压缩 §3.3 L1：每步后台准备（StepMemoryService dispatch），深度 K 延迟应用（修正 #1）
里程碑切换时压缩前段 §3.3 L2：里程碑切换是首要触发器；chunk 身份按 step 范围（修正 #2）
滑动窗口底线 §3.3：min_active_steps + 最近完整回合硬保留
长期不切换按窗口上限压 §3.3 L2 尺寸阈值 + §3.4 实测计量（修正 #3）；再兜底 L3 快照（补强 #4）

5. 摘要语义：两个 lens 按"高度"分工（决策修订，已确认 2026-08-31）

visibility 文档 §6.1 曾定"两 lens 按 profile 分立"（Flash=证据替身，Pro=整步胶囊），依据是 Pro 丢弃旧步思考。本方案改变了这个前提：转写保留推理原文直到段压缩，Pro 的步级摘要也变成了"证据替身"。因此修订为：

  • 步级 = VisualTransitionLens（唯一步级 lens，双 profile 共用，输入按可得自适应）：替换哪张图就描述哪张图，有什么用什么（用户 2026-09-01 定）——Flash 前后双图照旧；Pro 仅单决策帧+动作红标（描述该屏内容与动作落点，转换信息由相邻步摘要自然链接），单图时提示词不含 AFTER ACTION 段。Pro 无动作后抓屏是刻意安全网：ADB 截图延迟会丢瞬态控件（实测视频播放控件），截图量已压到最低——不得以任何方式"修复"（不补抓、不用步 N+1 前图拼后图）。禁判定词契约不变（successfully/completed/entered/navigated/failed/... 全禁）；缺后图永远只表示"无独立后验证据"。
  • 段级 = StepCapsuleLens 产出 chunk 的 ①+②：意图/策略/进度的压缩发生在段压缩时，输入是段内逐步视觉摘要 + 动作 + Validator 结果 + 该段推理原文（压缩前最后一次可读）+ 段内 notes 写入记录。单次调用产出 ① 梗概与效果（三问式散文 + 结构化字段，含留下的笔记）与 ② 压缩步摘要（步区间叙事，步号全覆盖机械校验）。③ 逐步动作账本机械拼装不经 LLM（用户硬约束：按步压缩、尽量维持原状、时间感知精确到步）。summarizer.md 的语义权威与中立契约（含 [Loop] 循环不算异常的判别）迁移到 ①②。
  • 会话级 = 快照 schema（L3 专用）。
  • 事实优先级链不变：用户指令 > Validator/Controller 客观结果 > XML/OCR 差异 > 有源摘要 > 推理。

推论：Pro 图中的 SummarizerNode 不再逐步生成文本胶囊，退化为 dispatch(VisualTransitionLens) 一行；辅助 agent 编译视图中的步行改为"时间 + 视觉摘要 + 精确动作 + Validator 结果"，段外历史提供 chunk digest。这是对先前已确认决策的修订，用户已于 2026-08-31 拍板采纳（见 §10 决策 1）。

6. 数据模型与图接线

6.1 DataEngine 增量（最小 schema 变更）

  • StepRecord.extra_metadata 增写：summary_status（pending/ready/failed/stale）、summary_source（lens 名）、summary_version、summary_model——update_step_summary 从盲覆写升级为带状态与版本的写入（同键并发以版本判序）。
  • 新增 chunk 存储（SQLite 新表，字段即 §3.3 结构 + session_id/version）；get_agent_friendly_steps 增配套 get_history_chunks。
  • 修 record_step 的隐式语义：post==pre 时 post_image_name=None 表示"无独立后图证据"，摘要器不得据此推断"屏幕未变"（姊妹文档 §4.3 原则写进 lens 契约）。
  • 动作语义充实（record-time enrichment，M0）：动作落 DataEngine 前，凡带坐标而缺 target_text 的（裸坐标点击 operator.py:854-861、Flash 动作工具、FA _exec_*），对当帧感知快照做命中测试（fused_elements → XML → OCR 取覆盖该点的最小可交互元素），best-effort 填 target_text/target_class/target_resource_id，并记 target_label_source: "index"|"hit_test"|"ocr"|"none" 区分模型指名与事后推断。渲染侧 format_action_clean（task_tree.py:39-64）已支持 target_text，零改动受益。Phase 2 PerceptionStore 落地后命中测试即快照一次查询，零额外抓取。

6.2 运行时归属

ctx.step_memory: StepMemoryService     # visibility 方案 D 保留：调度/有界重试/flush/step_id 键控
    ├─ lenses: VisualTransitionLens / StepCapsuleLens(chunk) / SnapshotLens
    └─ transcript: TranscriptLedger    # 新：四区消息账本 + 擦洗沿 + 压缩事件
  • 有界重试（替换 Flash 无界循环）+ flush(timeout) 收尾 + 显式降级态，均照 visibility §6.1 原文。
  • 转写在内存；崩溃恢复走 §3.1 冷启动构造器。素材以 PerceptionRef/image_name 引用（Phase 2 落地后免搬 bytes；Phase 2 未落地前先传 bytes，接口留 ref 形态）。

6.3 图接线

  • 事件源：_record_turn（graph.py:108-148）比较相邻步 subgoal_hash → transcript.on_milestone_boundary()；_process_plan_write 的 new_top_level_completions → 同一入口（去重）。
  • Operator 切换（flag memory.transcript.enabled）：_build_prompt 改为 transcript.render_messages(tail=当前观察)；旧 2-message 路径完整保留为回退。现成接缝 unified_history 槽位用于过渡期 A/B 对拍。
  • Flash 切换：compress_flash_messages 的逐轮全量重扫替换为擦洗沿推进；max_turns 可放宽（压缩已兜底上下文）。
  • 辅助 agent 不动图结构，编译视图接 ContextPolicy 策略表（visibility §6.2 原样，8 个调用点逐点对拍）。
  • 顺手修：Diagnoser window_steps bug、两个死参数、死常量 MAX_MESSAGES_IN_HISTORY。

6.4 配置（收敛 visibility §6.3 与姊妹文档 §14）

"agent": {
  "memory": {
    "runtime": { "max_concurrency": 2, "retry_limit": 3, "flush_timeout_s": 30 },  // max_concurrency 1→2：硬化轮定标（基线报告 §6）
    "transcript": {
      "enabled": true,                  // M2-M4 出厂关灰度；M5 起默认开（2026-09-01 用户拍板）；false 即逐字节回滚开关
      "context_budget_tokens": 80000,   // 2026-09-01 基线定标：维持（稳态 ≤29% 预算）
      "soft_ratio": 0.7, "hard_ratio": 0.9,
      "min_active_steps": 5,
      "image_scrub_depth": 3, "pending_grace_steps": 3,
      "xml_scrub_depth": 1,
      "similarity_hint": true, "similarity_max_distance": 5  // M5 定标 8→5（460 步 dHash 分布）
    },
    "chunking": { "max_steps": 12, "target_source_tokens": 2000, "model": "gemini-3.7-flash", "max_chunks": 8, "max_eras": null },  // max_eras null=随 max_chunks（M5 新独立键）
    "step_lens": { "model": "gemini-3.5-flash-lite" },   // 现 agent.flash.step_summarizer 键保持兼容别名
    "recall": { "enabled": true, "max_results": 5, "max_text_tokens": 2000 },
    "policies": { /* 辅助 agent ContextPolicy 覆盖 */ }
  }
}

7. 分阶段落地

前置说明：visibility 文档 Phase 0/1 已实施；其 Phase 2（PerceptionStore）/Phase 3（ctx 分解）独立推进，与本轨道仅在 §6.2 的 ref 传递处交汇（非阻塞依赖）。

M0 — 计量与 schema（无行为变化，可独立合入） ✅ 代码侧已实施 2026-08-31；✅ 基线录制已完成 2026-09-01（真机 Pixel 10，见 docs/plans/history-baseline-2026-09-01.md）

  • summary_status/source/version 落 extra_metadata；update_step_summary 版本化；
  • 动作语义充实（§6.1）：裸坐标/Flash/FA 动作记录时命中测试补 target_text 等字段（越早上线历史数据越完整）；
  • 转写计量管线（上轮 prompt_tokens 采集 + 增量估算）纯记录不决策；采集缓存命中率基线（cachedContentTokenCount）；
  • 修 Diagnoser bug、死参数、死常量；Flash 摘要重试改有界 + flush 语义（visibility §8 已定为有意变更，单测覆盖）；
  • 冻结代表性长任务集，录基线：输入 token、TTFT、全回合延迟、摘要就绪延迟、重复动作率、FA 触发率（姊妹文档 Phase 0 原样）。

M0 实施要点（2026-08-31，工作区未提交；与上述计划的差异逐条标注）：

  1. 摘要状态与版本化：StorageManager.update_step_summary 升级为原子读改写 （单连接内读 extra_metadata → 判序 → 写回），签名 (step_id, summary, *, source, version, model, status)，返回 bool（stale 写返回 False）。判序规则：显式 version 低于在库版本即丢弃；version=None 自动 在库+1；状态降级需显式更高版本——pending 不覆盖 ready/failed、 failed 不覆盖 ready（防后台竞态回退）；summary 列仅被 ready+非 None 摘要触碰。DataEngine.update_step_summary 同签名透传（后台 写 + 仅 ready 发 SSE，与旧行为逐字节一致）。调用方：Flash VisualStepSummarizer dispatch 时补写 pending、成功写 ready/source="visual_transition"/model、耗尽写 failed；Pro SummarizerNode 写 ready/source="step_capsule"/model。stale 态本阶段只入枚举，无写入方 （M2 起由重摘/回滚使用）。
  2. 动作语义充实（record-time enrichment）：新模块 artemis/utils/element_hit_test.py（find_element_at_point / hit_test_semantics：最小覆盖元素胜出，XML 源优先于 OCR 源，best-effort 永不 抛异常）。三条落点：① Pro 裸坐标分支（operator.py resolve_target_element 坐标路径）就地命中测试 state.indexed_elements，click/long_press/input_text 动作 dict 增 target_label_source（索引路径盖 "index"）；② McpActionExecutor._execute_device_action（Flash 与 FA 共用漏斗）在 _translate 后、设备调用前对归一化 target 命中测试（必须在 observe 之前 ——observe 会覆写 indexed_elements 为后帧），语义并入 action trace 的 args payload（FA 的 interleaved_events 渲染 format_tool_call_clean 零改动受益）并经 ToolExecutionResult.metadata["target_semantics"] 回传；③ FlashRunner 落 record_step 前把该 metadata 合入 action_dict 顶层。与计划的差异： click_sequence/swipe 多点动作本阶段不充实（单目标动作先行）；"可交互" 以"已被感知索引"近似（索引元素不带 clickable 位）。
  3. token 计量管线：新模块 artemis/services/token_meter.py （extract_usage 统一 LangChain usage_metadata 与 Gemini 原生 cachedContentTokenCount/input_token_details.cache_read 两种形态； SessionTokenMeter 按会话累计）。采集点接在 LLM 网关 RobustChatModelWrapper.complete()/ainvoke() 出口（全部生产调用必经；raw 模型旁路仅测试使用，不采集），每次调用记一条 llm_usage trace（type llm_call）：单次 prompt/completion/cached + context_base_tokens（=本次实测 prompt，即下一轮上下文基数）+ 会话累计五项（calls/prompt/completion/cached/ cache-hit calls）。纯记录，不驱动任何决策；采集失败静默降级永不进入调用路径。
  4. 三缺陷修复：① Diagnoser get_recent_subgoal_hashes 改传 base_dir（对齐 committee_tool 用法），Diagnoser 历史渲染恢复正常；② build_plan_and_history 删除 chronological_last_step/detailed_subgoal_hashes 死参数，operator/failure_analyzer/planner 3 个调用点与 2 处单测同步清理；③ 删死常量 MAX_MESSAGES_IN_HISTORY（constants.py，全仓零引用确认）。
  5. Flash 摘要重试有界化（有意行为变更）：_run_summary_until_ready 以 1 + retry_limit 次尝试封顶（StepSummarizerConfig.retry_limit，默认 3， FlashRunner 接线），耗尽进显式 failed 态（has_failed() + DataEngine summary_status="failed"）；failed 步在压缩器视角仍为 pending（保图， lossless 语义不变——变更只砍掉无限 LLM 重试，不改消息流）；flush(timeout) 收尾语义保留。
  6. 测试：新增 tests/unit/utils/test_element_hit_test.py（6）、 tests/unit/data_engine/test_step_summary_versioning.py（7，含并发判序/降级 拒绝/SSE 仅 ready）、tests/unit/test_token_meter.py（7）、 tests/unit/mcp/test_action_executor_semantics.py（4，含缺元素数据优雅降级 "none"）、operator 命中测试正例 + Flash 有界重试失败注入 2 例；存量断言 同步（operator 精确 dict 断言补 target_label_source、两摘要器调用断言补 kwargs）。验证：tests/unit 全量 1094 通过 3 跳过 0 失败；tests/tools 相关子集（operator/diagnoser/validator）7 通过（既有 5 个 API key 联网失败 未触发）。
  7. 未完成项：代表性长任务基线录制 已完成（2026-09-01）：3 个冻结 长任务 ×2 样本真机录制完毕，正式基线与 §3.4 定标建议见 docs/plans/history-baseline-2026-09-01.md §3/§6（要点：Operator 首调输入 P50 12.2K/P95 17.6K；隐式缓存基线 43% 调用/29.8% token；模型调用 P50 13.8s；摘要就绪 P50 60s/P90 214s——长尾超擦洗窗口，定标建议 max_concurrency 1→2）。附带发现：视觉 lens 调用走 get_google_llm 原始旁 路，无 llm_usage 计量（与本条"raw 旁路仅测试使用"表述不符，待收口）。

M1 — StepMemoryService + 擦洗沿（先 Flash 落地验证） ✅ 代码侧已实施 2026-08-31（缓存命中提升待真机实测）

  • 共享运行时成形；Flash 从"逐轮全量重扫"切到"擦洗沿"（深度 K 图替换 + 宽限 + 占位符）；
  • 验收：成功路径消息序列与现版语义等价（图→摘要时点后移属有意变更，单独对拍）；缓存命中率显著上升（有实测基线可比）；race 缺陷回归测试（图丢摘要空、迟到回填深突变均不再发生）。

M1 实施要点（2026-08-31，worktree zealous-gates-4626b1 未提交，叠加在 M0 之上；与计划的差异逐条标注）：

  1. StepMemoryService 成形：新 artemis/memory/step_memory.py——调度骨架自 Flash VisualStepSummarizer 上提：零阻塞 submit、有界重试（1 + retry_limit， 沿 M0 语义，耗尽进显式 failed 态并触发 _on_status 钩子）、flush(timeout) 收尾（无参时用配置的 flush_timeout_s）、max_concurrency 信号量封顶并发 （重试退避 sleep 在信号量之外，不饿死同伴）、状态查询 （has_job/is_pending/has_failed/get_summary/get_job_payload）。键控：有 DataEngine step_id 时以 str(step_id) 为规范键，tool_call_id 落别名映射；两者 皆无的旧调用方保持序号键（压缩器的 tool_call_id → 序号回退链原样保留）。 VisualStepSummarizer 取"并入服务"路线——改为服务子类，只保留视觉 lens 语义 （红标叠加、flash_summarizer.md 禁判定词契约、M0 版本化 summary_status 写入），对外表面（dispatch 签名/查询方法）零迁移。与计划的 差异：a) 服务本阶段仍由 FlashRunner 自持，未挂 ctx.step_memory（M2 Pro 切换 时再上提组合根）；b) lens 未做成独立协议对象，视觉 lens 即子类 _attempt （StepCapsuleLens 落地时再抽形式化 lens 接口）；c) max_concurrency=1 默认值 使摘要 LLM 调用串行化（旧实现无界并发），属计划 §6.4 既定值。
  2. 擦洗沿压缩器：ScrubEdgeCompressor（context_compressor.py）——索引制 旁路账本（契约：FlashRunner 消息列表 append-only），增量发现新消息，冻结前缀 永不重扫。纪律：深度 1 剥 XML（保留集 = 最新 xml_scrub_depth 条观察，合并块 保前缀语义与 prune_history_xml 开关照旧）；深度 K 图片决议——ready→摘要块 （沿用 --- Historical Visual Transition --- 前缀、剥图后追加于消息尾，与旧 产物同形）、failed→立即 [visual summary unavailable; evidence at DataEngine step N]（不吃宽限，M0 的"failed 仍保图"按计划收口为有意行为变更，单测 覆盖）、pending→保图宽限至深度 K + pending_grace_steps，越限则 [visual summary pending; evidence at DataEngine step N]；宽限期内摘要到达即 正常替换；决议后冻结，迟到摘要永不回填（哈希不变量测试）。N = Flash 动作 序号（与 DataEngine 步序一致）。细节差异：a) 无 job 的历史图（初始观察、摘要 器关闭时的动作图）同样计深并在沿上静默剥除（无占位符）——旧实现是"下一轮即 剥"，新时点后移至深度 K；b) 宽限计量单位是"图深度推进"而非回合数（无新图的 空转回合不消耗宽限，上下文也未因图增长）；c) 旧 compress_flash_messages 原 样保留，作语义对拍参照与回退路径（M2 转写落地后再删）。
  3. 配置：agent.memory.runtime（max_concurrency=1/retry_limit=3/ flush_timeout_s=30）与 agent.memory.transcript（image_scrub_depth=3/ pending_grace_steps=3/xml_scrub_depth=1）已落 AgentGlobalConfig.memory； 显式的旧键 flash.step_summarizer.retry_limit 在 before-validator 里播种 memory.runtime.retry_limit（新键显式设置时新键胜出，旧键本体不动）； enabled/model/prune_history_xml 三键权威仍在旧块（未迁移）。 xml_scrub_depth 已实现为通用深度（>1 时保留更多层 UI 列表），默认 1 与现 行为等价；prune_history_xml=false 时冻结也不剥 XML（保旧开关语义）。
  4. FlashRunner 接线：摘要器以 memory.runtime 三值构造；压缩器为 per-run 实例（擦洗账本是运行态）；flush() 走配置超时。
  5. 测试：+20（tests/unit/memory/test_step_memory_service.py 7：零阻塞/有界 重试/别名键控/并发封顶/flush 超时与默认值/重投递清 failed； tests/unit/agents/test_flash_scrub_edge.py 8：成功路径新旧对拍（时点后移 在断言中显式标注）、race a/b/c、冻结哈希不变量、XML 深度 1 等价、 prune 开关、非跟踪消息不触碰；tests/unit/test_memory_config.py 5：默认值/ 显式值/旧键播种/新键优先/无显式旧键不播种）。存量适配 1 处： test_summarizer_keys_actions_independently_of_turn_number 的 _step_inputs["tc-1"] 直取改为 get_job_payload/resolve_key（step_id 键控 所致）。验证：tests/unit 全量 1114 通过 3 跳过 0 失败（M0 基线 1094+3， 只增不减）；tests/tools 子集（operator/summarizer/validator/diagnoser）7 通过。
  6. max_turns 未动（默认 30）：擦洗沿使图片上下文稳态有界，更大 max_turns 已安全，放宽属配置决定，留给使用方/后续里程碑。
  7. 未完成项：缓存命中率提升的量化（M1 验收第二条）依赖 M0 尚未录制的真机 基线——计量管线已就绪，待真机长任务前后对比。

M2 — Pro 转写切换（本方案核心，flag 灰度） ✅ 代码侧已实施 2026-09-01；✅ 真机 A/B 已完成 2026-09-01（红线全过且大幅改善，含一处阻塞 bug 的最小修复，见 docs/plans/history-baseline-2026-09-01.md）

  • 前置子任务：operator.json 模板拆分——今日 SystemMessage 经 # CURRENT OBSERVATION 切分后含易变的 plan+history（prompts.py:218-222），必须把静态规则留 S 区、动态内容移出，否则 S 区无从字节稳定；
  • TranscriptLedger + Operator 双路径并存；转写路径 A/B 对拍旧路径（同任务同设备，姊妹文档 §18 红线：P50/P95 延迟回归 ≤5%、关键路径零摘要等待）；转写内时间一律 T+mm:ss 起点偏移（冻结后字节稳定），不用 "ago" 措辞;
  • SummarizerNode 退化为视觉 lens dispatch（§5 决策已确认）；辅助 agent 编译视图接 chunk 前先保持现状。

M2 实施要点（2026-09-01，worktree zealous-gates-4626b1 未提交，叠加在 M0+M1 之上；与计划的差异逐条标注）：

  1. 模板拆分（前置子任务）实现为运行时拆分：operator.json 本体一字节未动—— 唯一易变跨度是字面量 PLAN_HISTORY_TEMPLATE_SECTION（## Current Plan & Execution History\n{{ plan_and_history }}），转写路径 render_transcript_static_system（prompts.py）把它替换为静态指针段后渲染， 得到整会话字节不变的 S 区（可用性装配 resolve_operator_prompt_tools 与 语法开关 _operator_grammar_flags 从 TemplatePromptComponent 逐字提取共用， 旧组件行为等价）。硬约束双保险：模板中该字面量"恰出现一次"的结构断言 （缺失即抛错，§9 风险落地）+ 拆分前录制的旧路径渲染 SHA-256 golden （空计划/哨兵计划两份，test_operator_transcript.py）。S 区不再以 # CURRENT OBSERVATION\n 结尾——该头衔移入每回合尾部观察消息。
  2. TranscriptLedger（新 artemis/memory/transcript.py）：S/F/A 三区实体
    • 每回合 T 尾部由 render 参数传入。A 区 append-only；回合落账两段式 stage→commit（step_id 与 Validator 结果在 execution_check/validator 之后 才存在，故本回合消息先 stage，下一回合 build 时带 step_key + validator_result 提交）。Validator 结果消息门控 state.structured_decisions（planner 拒绝清空、无终端动作为 None，均不落 账），渲染为 Status: <status> + format_result_clean 错误/修复细节，带 T+mm:ss 偏移（format_session_offset，分钟不进位保字节稳定单调）。 观察消息的摘要键走 id(message) 侧表（不进消息序列化载荷）。工具配对不 变量：擦洗只改内容块、永不删消息，切分点天然不劈 tool-call/response 对 （单测覆盖）。
  3. 擦洗沿复用=泛化 ScrubEdgeCompressor（未另造 Pro 压缩器）：新增三个 构造参数——summary_key_getter（无 tool_call_id 的 Pro 观察 HumanMessage 按 step_id 键控查摘要）、strip_markers（深度 1 剥除扩展到 --- Visible UI Elements --- 与 --- Task Plan (recited) --- 计划复诵副本）、 tail_offset=1（活尾部在账本外，深度算术与 keep 窗口对齐 Flash 语义）。 默认参数下 Flash 路径字节不变（M1 全部擦洗测试原样通过）；宽限/占位符/ 冻结不回填纪律在 Pro 消息形态下重跑 M1 用例形态（test_transcript_ledger.py）。 get_step_number 从 VisualStepSummarizer 上提到 StepMemoryService 基类。
  4. Operator 双路径（flag agent.memory.transcript.enabled，默认 false， 出厂关）：关——旧 _build_prompt 路径零改动（golden + 存量 20 测试全绿）； 开——_build_prompt_transcript 产出 S+F+A+尾部，尾部 = # CURRENT OBSERVATION [T+mm:ss] 头 + 计划复诵（新 PlanRecitationPromptComponent， 复诵 task_plan 原文）+ 既有观察/注入/反馈组件原样复用。转写构建异常自动 回退旧路径（灰度安全网）。与计划的差异：a) 过渡接缝取 PromptComponent 机制新增组件而非 unified_history 空槽位（改动面更小，任务书允许取小者）； b) 复诵内容是 task_plan checklist 而非 build_plan_and_history 编译串—— 历史已由 A 区原始消息承载，整串复诵会大量重复（§3.2 T 区语义即"计划复诵"）。 Operator 可见性读集新增 last_execution_result（落账需要，documented decision）。
  5. 服务归属收口（M1 差异点 a）：ctx.step_memory / ctx.transcript_ledger 成为 ArtemisContext 声明字段（并列而非持有——§6.2 给出的两个选项取后者）； artemis.memory.ensure_step_memory(ctx) 为组合根工厂（Operator 转写路径与 SummarizerNode 共用一个实例）；FlashRunner 构造后发布到 ctx.step_memory （只发布不消费，兼容存量 mock ctx 测试）；ArtemisContext.__aexit__ 在后台 任务清理前 flush 服务（异常退出 timeout=0 直接取消）。State 不携带任何消息 重物（test_state_contract.py 全绿）。
  6. SummarizerNode 切视觉 lens（无条件，非 flag 后）：不再自调 LLM 生成文 本胶囊；按 step_id 从 DataEngine 取 pre/post 图 bytes（get_step_image_path）， 动作取步记录 action_taken（缺则回退 structured_decisions 解析），dispatch 到 ctx.step_memory 视觉 lens（红标叠加、flash_summarizer.md 契约、M0 版本 化 source="visual_transition" 写入均沿用）。图缺失→None bytes 纯文本降级， 不抛错。与计划的差异：多动作步 dispatch 首动作为主体、其余进 action_args["additional_actions"]（红标叠加只画单动作）。过渡期安全性靠 task_tree.py "无摘要回退 detailed" 语义（未动）。
  7. 冷启动构造器（最小版）：转写空（0 回合、无 F 区）而 DataEngine 已有步 记录时，用 build_plan_and_history(min_summaries=len(steps), last_n_detailed=1) 全量策略渲染冻结块，头部 [Restored history] 并注明 "step times relative to the original session start"（该块内的 relative_time 仍是 DataEngine 措辞，冻结一次生成故可接受；A 区从当前步正常追加）。
  8. 测试（只增不减）：+22 净增——tests/unit/memory/test_transcript_ledger.py 12（S 区哈希稳定/A 区 append-only/T+mm:ss 与禁 ago/深度 1 剥复诵与 UI 列表/ 深度 K ready 替换/宽限→占位符→冻结不回填/failed 立即占位/配对不劈/冷启动 块唯一性/双 stage 自动落账/无动作回合不落 Validator 消息）； tests/unit/agents/test_operator_transcript.py 7（golden 双哈希/模板单一 切点/S 区静态渲染无历史/两回合四区结构/无动作提交/冷启动 F 区/flag 关 2-message 不变）；test_summarizer.py 重写为 4（dispatch 断言与不再写胶囊/ 图缺失优雅降级/structured_decisions 回退与 additional_actions/无 step_id no-op）；test_memory_config.py +1（flag 默认关与显式开）。验证：tests/unit 全量 1136 通过 3 跳过 0 失败（M1 基线 1114+3，只增不减）；tests/tools 子集（operator/summarizer/validator/diagnoser）7 通过。
  9. 未完成项（待真机） A/B 已完成（2026-09-01，见 docs/plans/history-baseline-2026-09-01.md）：红线全过且大幅改善——全回 合延迟 P50 21.4s→5.0s（−77%）、缓存命中调用 43%→88%（token 29.8%→49.6%）、 输出 token −74%、成功率 6/6 持平、零回退零摘要等待、无签名/格式类错误。 三点必读：① A/B 中发现并最小修复了一个阻塞 bug——_build_prompt_transcript 冷启动检查在第 2 回合误命中（上回合只 stage 未 commit，turn_count==0 且 steps 非空），set_restored_history 被空账本不变量拒绝→每回合静默回退旧路 径；修复为冷启动条件加 not ledger.has_staged_turn（operator.py，已在 worktree，未提交，需本轨道认领合入并补"第 2 回合 steps 非空"回归测试）。 ② 处理组实际是 M2+M3 叠加（chunking 挂同 flag），纯 M2 归因未拆。③ 实验 模型为 gemini-3.6-flash（3.7 当日 503）。思考签名跨压缩事件的供应商侧验证 仍留 M3 前。灰度顺序照 §10 决策 3：建议修复合入后复测一轮再进默认配置。

M3 — L2/L3 压缩 ✅ 代码侧已实施 2026-09-01（真机验收待跑）

  • 里程碑边界 + 尺寸阈值 + 边界事件三触发；chunk 表 + era 合并；L3 快照；
  • 验收：>30 步长任务转写 token 稳态有界；计划改写/回滚后 chunk 身份与可见性不受损（新增回归：重命名走别名链）；[Loop:continuous] 100+ 步试跑无摘要堆叠。

M3 实施要点（2026-09-01，worktree zealous-gates-4626b1 未提交，叠加在 M0+M1+M2 之上；全部行为在 agent.memory.transcript.enabled flag 之后；与计划的差异逐条标注）：

  1. HistoryChunk 存储：SQLite 新表 history_chunks（chunk_id/session_id/ start·end_step_id/start·end_step_number/source_step_ids/subgoal_hash 标签/ version/status/band1 JSON/band2/band3/rendered_text/created_at）。身份 = (session_id, 步号范围)，行append-only：同范围更高 version 追加新行， get_history_chunks 默认取各范围最新版（all_versions=True 给审计全轨）。 DataEngine 增 record_history_chunk（后台写）/get_history_chunks。 单写者纪律：全部 DB 写经 HistoryChunkManager 内存镜像（capsule 服务不 直写 DB），版本号无竞争。
  2. 三段式 chunk（§3.3 逐字对齐）：
    • ③ 机械账本（chunking.build_action_ledger，不经 LLM）：每步一行 - Step N (T+mm:ss): <format_action_clean> -> <结果短语>（时间 = 步 timestamp − session_start_time，经 format_session_offset，禁 "ago"）； 结果短语 = format_result_clean 错误/修复细节，success 收敛为 executed； FA 恢复动作（interleaved_events 中 _exec_*）以 FA: 缩进子行经 format_tool_call_clean 渲染；injected_instruction 逐字独立行 User @ Step N: "…"，任何层级 never-evict（含 era ③ 溢出标记与 L3 最小索引，单测覆盖）。为此 _record_turn 把 state.injected_instruction 盖章进步记录 extra_metadata（execution_check 读集补声明，documented decision）。差异：多动作步仍一行，首动作 + (+N more actions) 后缀。
    • ①+② StepCapsuleLens（memory/chunking.py + 提示词 memory/step_capsule.md，模型 agent.memory.chunking.model）：单次调用 产出 JSON（doing/did/effect 三问式——effect 硬性要求含段内 notes 写入的 目标文件与要点，输入里逐步附 save/update/append_note 的 key+content 摘录、 task_plan 写入除外——+ verified_facts/unresolved/failed_paths/ important_entities/entry·exit_state + intervals）。② 区间并集 validate_interval_coverage 机械校验（缺口/重叠/越界即该次尝试判负→ StepMemoryService 有界重试→耗尽 failed→chunk 维持 pending，③ 独立可用， 单测覆盖）。中立契约禁词表沿 flash_summarizer.md/summarizer.md 迁入， [Loop] 循环不算异常的判别一并迁入 lens 提示词。lens 形式化接口收口 （M1 差异点 b）：step_memory.StepLens（render(key, payload)）+ StepMemoryService 可选 lens 参数与默认 _attempt 委托 + _on_ready 钩子；差异：VisualStepSummarizer 保留内联 _attempt（零迁移），未强迁。
    • 异步纪律：capsule 经 ChunkCapsuleService（StepMemoryService 子类， memory.runtime 三值）后台 dispatch；压缩事件时刻未就绪→冻结 ③ + pending 标记；就绪结果只在下一次压缩事件收割（镜像+DB ready 版本写均在收割 时；ctx.aexit 增 chunker.flush 兜底收割落库，无 F 区重渲染）——冻结 块事件间字节稳定有哈希单测。
  3. 触发接线：里程碑唯一事实源 = _record_turn 记步后通知 on_step_stamped(step_id, subgoal_hash)，chunker 内比较相邻盖章； _process_plan_write 的 new_top_level_completions → queue_boundary_hint （未确认边界），下一盖章步 hash 未变即丢弃（棘轮否决回滚的伪切换单测覆盖； 注：执行图在 _record_turn 前恒 await planner 验证，盖章天然后于回滚落定）。 尺寸阈值 = 开放段回合数 ≥ chunking.max_steps 或段内转写文本 char/4 ≥ chunking.target_source_tokens（差异：源 token 估算用账本内该段消息文本， 非"段内摘要"——转写擦洗后消息主体即摘要，作机械代理）；软阈值 = SessionTokenMeter 的 last_prompt_tokens ≥ budget×soft_ratio 时压最旧开放段 （≤max_steps 回合；测试经 meter_getter 注入假计量）。压缩事件在 ledger.render 时执行（operator 单线程路径；graph 事件只置状态）：底层 _active 列表保持 append-only（_active_start 边界前移，ScrubEdge 索引 恒有效），边界永在完整回合末（不劈 tool-call/response 对，单测覆盖）； 加严：闭合段须整段滑出 min_active_steps 保护窗才压缩——底线只延迟 事件、不切分段（忠于"上一段压成一个 HistoryChunk"），仅尺寸/软阈值可对 开放段出窗部分分片（每片 ≤ max_steps）。
  4. L3 紧急快照：last_prompt_tokens ≥ budget×hard_ratio 时 F 区渲染为单块 会话快照（overall_goal 取 operator 构造时 initial_goal / plan_state 读 task_plan 原文 / verified·unresolved·failed_paths·entities 结构化字段机械 集合并 / device_app_state 取最新有 capsule chunk 的 exit_state）+ 每 chunk 最小行宽逐步索引（build_action_ledger(minimal=True)：步号+T+时间+ 动作短语，user 行保留）。差异：计划"一次 LLM 润色可选"未实现（纯机械合并， 避免摘要的摘要）；recent_actions 未入快照（A 区底线本就保留最近原始回合）。
  5. era 合并：F 区完整 chunk 数超 chunking.max_chunks（新键，默认 8）时 最旧溢出段折叠成 era（① 结构化字段集合并非散文再摘要、② 退化为 - Steps a–b: <里程碑标题|did 首句> 标题行、③ 逐段 1:1 保留）；era 数再超 同一限值时最旧 era 的 ③ 溢出为 [Era N | Steps a–b: ledger via recall_history] 标记行（user 注入行仍逐字 保留）。§10 决策 5 按建议实施，待用户终审（终审后标记行已升级为时段 段落，见本节末"决策 5 终审收尾"）。差异：每次折叠事件生成一个 era（未做跨事件 era 再合并）；era 上限复用 max_chunks 同值。
  6. 异步检查点回果：checkpoints.harvest_run 在 _record_verdicts 后 best-effort 通知 annotate_from_checkpoint(checkpoint_id, verdicts)——按 subgoal hash 经 get_all_subgoal_aliases 别名链匹配 chunk 标签（重命名 韧性单测），命中即追加 band1.annotations + version bump + DB 即时追加， F 区文本下一压缩事件才重渲染（单测覆盖）。
  7. 配置：新块 agent.memory.chunking{max_steps=12, target_source_tokens= 2000, model="gemini-3.7-flash", max_chunks=8}；transcript 增 context_budget_tokens=80000 / soft_ratio=0.7 / hard_ratio=0.9 / min_active_steps=5。真机基线报告（history-baseline-2026-09-01.md）截至实施 时不存在，全部维持计划临时默认，待定标。
  8. Flash 侧：chunker 只在 Pro 转写路径的 TranscriptLedger 上构造 （operator _ensure_transcript_ledger，有 DataEngine 才挂）；Flash 尚无 ledger，M3 对 Flash 零行为变化。chunker 对里程碑事件是可选输入，尺寸/软硬 阈值纯凭 ledger 回合元数据触发——Flash 未来接 ledger 时自动呈现"只有尺寸 阈值触发"的任务书形态。
  9. 测试：+29 净增——tests/unit/memory/test_history_chunking.py 25 （③ 结构 golden 与 FA 子行/注入逐字/最小行宽可寻址、② 覆盖校验与缺口 重生成与有界重试降级 pending、三段顺序 golden（对照 §3.3）、真切换整段 成 chunk、伪切换回滚丢弃、尺寸两式、软/硬假计量注入、min_active 底线、 F/A 边界不劈对、冻结字节稳定与就绪不即时回填、回果 version bump 与下次 事件重渲染、重命名别名链、era 合并 ③ 保留、era 溢出标记与 never-evict、 全层级步可寻址不变量、lens 接口）； tests/unit/data_engine/test_history_chunk_storage.py 4（roundtrip/版本 append-only 最新胜出/范围排序/会话隔离）。验证：tests/unit 全量 1165 通过 3 跳过 0 失败（M2 基线 1136+3，只增不减）；tests/tools 子集 （operator/summarizer/validator/diagnoser）7 通过。
  10. 未完成项（待真机/后续）：验收三条真机项（>30 步 token 稳态、 [Loop:continuous] 100+ 步无堆叠试跑、capsule 质量盲评）；辅助 agent 编译视图接 chunk digest（§10 决策 4 建议 M3 末——本次任务书未含，留 M4 与 recall 一起收口）；阈值定标依赖真机基线报告。

M4 — recall + 策略表收拢 ✅ 代码侧已实施 2026-09-01（阈值定标待真机）

  • recall_history 工具 + 屏幕相似度提示；ContextPolicy 8 调用点逐点对拍收拢；配置收敛与旧键兼容别名。

M4 实施要点（2026-09-01，worktree zealous-gates-4626b1 未提交，叠加在 M0+M1+M2+M3 之上；与计划的差异逐条标注）：

  1. recall_history 工具（新 artemis/tools/history_recall.py，规格照姊妹文档 §10）：签名 (query, step_range=None, include_details=False, include_images=False, max_results=5)。第一期实现为 Python 扫描而非 SQLite FTS5（差异：现库无任何 FTS5/索引，且 get_agent_friendly_steps 已一次性给出全部检索面；FTS 留待量级需要时加）——检索面：步摘要/精确动作/ Validator 结果/Operator 思考/FA trace 与注入指令（步记录）、XML/OCR 文本 （storage.get_image，扫描封顶最近 150 步）、notes 文件（utils/notes）、 history_chunks（band2/band3/rendered_text）。包/Activity 检索经 XML blob 文本命中（差异标注：record_step 的 foreground_app 形参历史上从未被任何 调用方写入，包名不单独持久化）。边界全部落地：结果数钳到 recall.max_results；响应 char/4 估算超 max_text_tokens 即截断并提示收窄； 每条结果带步号（notes 锚定到最近写入步，无写入记录则"as of Step N"）; include_details 每字段限幅；include_images 仅回捞单步真实存在的图 （data-URL 块，形态镜像 ObservationPromptComponent；文件不存在给文字说明， 永不多于 1 步）。step_range 请求总是附带该范围的 build_action_ledger 全宽行——era ③ 溢出标记行 [Era N | Steps a–b: ledger via recall_history] 由此获得真实入口。空 query 且无 step_range 拒绝执行（回用法提示）。
  2. 注册（仅 Pro，Flash 不动）：graph.py operator_specialized_wrappers 追加 wrapper；DEFERRING_TOOLS 加 recall_history（pre-decision 语义：与 Turn-Ending 动作同回合即拒绝动作）；提示词 _PRE_DECISION_MEMORY_TOOLS 加名 + operator.json 在 TOOL USE PROTOCOL 第 1 类下加 [% if "recall_history" in available_tools %] gated 指导段（六触发：似曾 相识/旧精确值/两步无进展/第三次同一动作/摘要与观察冲突/用户要求回早前 状态；明示禁投机召回；标记行=显式入口）。可用性 = ctx.data_engine 存在 且 memory.recall.enabled——M2 的 SHA-256 golden 用 data_engine=None 的 ctx 录制，故 golden 无需重录、原样通过；受影响的是全集字面断言 （见要点 6）。manifest：BACKEND_INDEPENDENT_TOOLS 加 recall_history （分类完整性测试强制）。
  3. 屏幕相似度本地提示（零模型调用、零历史图入 prompt）：新 artemis/utils/image_hash.py 纯 PIL 64 位 dHash（JPEG draft 快解码， 哈希对重编码稳健故无需像素组件的 q75 对称重编码技巧）；record_step 同步盖章 pre/post_image_dhash 入 extra_metadata（同步是为了避免与 后台写线程的并发字典突变；draft 解码使成本毫秒级；post==pre 时 post 哈希 取 pre 哈希——"无独立后图证据"但后屏即前屏）。新 HistoricalStateHintPromptComponent 插在 ScreenshotSimilarity 之后（legacy 与 transcript 两条组件清单都插）：近 3 步任一命中即整体静默（该 regime 属像素级"卡在同屏"组件，两者永不同时触发）；更老步扫描封顶 500 步 （含已 chunk 化段——get_agent_friendly_steps 全量），距离≤阈值取最近的 最小距离步，注入方案原文句式提示。
  4. ContextPolicy 策略表（新 artemis/memory/context_policy.py）：8 个 生产调用点（operator/operator_cold_start/failure_analyzer/planner/ outputter/history_analyzer/diagnoser/committee）收拢为每 agent 一条 ContextPolicy 声明，字段 1:1 映射 build_plan_and_history kwargs （uncompressed=min_summaries=len(steps) 惯用法、whitelist=运行时传 keep_subgoal_hashes 两个便捷位）；build_history_for(agent, ...) 为唯一 入口，operator 的 last_n_detailed 构造器旋钮保留为运行时覆盖。逐点 golden 对拍：test_context_policy.py 参数化 8 例逐字节断言 + "全表必有 golden"覆盖断言。agent.memory.policies 按 agent 覆盖字段（未知字段告警 忽略）。差异：第 9 个调用点 mcp_server/tools/inspect_trace.py 属离线 审计渲染而非 agent 编译视图，未入表（保持直调）。
  5. 编译视图接 chunk（§10 决策 4 收口）：build_plan_and_history 增可选 chunks 入参——形状无关 dict（步号范围 + 预渲染文本），chunk 块紧随 --- Execution History --- 按序输出，范围内步行被替换（detailed 窗口与 最新步永不吞）；chunks 为 None/空时输出逐字节不变（golden 锁定）。 视图渲染在策略层：full（outputter/history_analyzer）= 持久化 rendered_text 原样（含 ③ 全宽行）；digest（diagnoser/committee）= rendered_text 在 "③ Step action ledger" 标题处截断 + recall 标记行 ③ Step action ledger: available via recall_history (Steps a–b)。chunk 仅当调用点传 engine + transcript flag 开 + 有持久化行时进入；engine 仅从 四个辅助 agent 调用点传入，operator/planner/FA/冷启动永不接（冷启动策略 chunk_view=None 显式声明）。行为增益（实施标注）：diagnoser/ committee 的 strict/whitelist 悬崖在长任务中首次由段外 digest 块补偿—— chunk 块总是全量渲染，不受步级可见性策略过滤。差异：digest 从持久化 rendered_text 截断而非从 band1/band2 重渲染（零重复渲染逻辑；pending 态 chunk 自然退化为 pending 说明 + 标记行）。
  6. 配置：agent.memory.recall{enabled=true, max_results=5, max_text_tokens=2000, max_image_steps=1}、transcript 增 similarity_hint=true / similarity_max_distance=8、memory.policies={}。 真机基线报告（history-baseline-2026-09-01.md）截至实施时仍不存在，相似度 距离阈值与 recall 预算默认值维持临时、待定标。旧键兼容别名本阶段无 新增需求（recall/similarity 均为全新键）。
  7. 测试（只增不减）：+45 净增——tests/unit/tools/test_history_recall.py 13（关键词命中与步号不变量、step_range 过滤、范围回捞全宽行（era 入口）、 结果数钳制、token 截断、notes 检索与步锚定、chunk 行检索、图仅单步仅真实 文件、配置封零、缺图降级、空参拒绝、无引擎降级、可用性三态）； tests/unit/utils/test_image_hash.py 5（稳定性/JPEG 重编码小距离/异屏大 距离/垃圾输入 best-effort/距离边界）； tests/unit/agents/test_historical_state_hint.py 8（命中注入、近 3 步 静默、无命中/关开关/步数不足静默、平距取最近、无哈希跳过、record_step 盖章含 post==pre 镜像）；tests/unit/memory/test_context_policy.py 16 （8 点 golden 参数化、全表覆盖、配置覆盖与未知 agent、flag 关字节不变、 full/digest 渲染、chunk_view=None 不接、最新步不被吞）； test_memory_config.py +2（recall/similarity/policies 默认与覆盖）。存量 断言同步 4 处：test_prompt_assembly 全集枚举字面与 removed-tool 参数化加 recall_history、test_operator_prompts 记忆工具枚举字面、 test_history_analyzer patch 目标改 build_history_for、action_manifest 分类 集。验证：tests/unit 全量 1210 通过 3 跳过 0 失败（M3 基线 1165+3， 只增不减）；tests/tools 子集（operator/summarizer/validator/diagnoser） 7 通过。
  8. 未完成项（待真机/后续）：相似度距离阈值与 recall 预算定标依赖真机 基线报告；include_images 的图片块（ToolMessage 多模态内容）在 Gemini 工具 响应管线的端到端表现待真机验证；Flash 注册 recall 留待其 ledger 接 chunk 之后（方案既定）；FTS5 索引留待检索量级需要时引入。

硬化轮 — A/B 实测问题收口 ✅ 已实施 2026-09-01（worktree zealous-gates-4626b1 未提交，叠加在 M0-M4 之上；任务来源 = history-baseline-2026-09-01.md §5/§6 的移交项）

  1. M2 冷启动 bug 认领合入 + 回归测试：A/B 会话的最小修复（_build_prompt_transcript 冷启动条件加 not ledger.has_staged_turn，operator.py，含注释）经核实形态正确 完整，本轮正式认领。test_operator_transcript.py 的两回合用例数据构造改为 真实形态——第 1 回合无步记录、第 2 回合 steps 非空且上一回合 staged 未 commit（原用例 data_engine=None 使 steps 恒空，正因此没抓到）；负向验证 已做：临时移除修复条件该用例即失败。

  2. chunk ①② 段头全 pending 根因（已定论）+ 修复：worktree traces/data_engine.db 实证——dispatch 一环正常（21 个 chunk 全部 submit）， 断环在 LLM：capsule 尝试 41 次全部 "503 Service Unavailable"，5 个 job 走到有界重试耗尽进 failed，其余 16 个卡在 max_concurrency=1 串行队列没轮 到尝试就随会话结束；"下一次压缩事件收割 + flush 兜底收割落库"链路本身无缺 陷，只是全程无就绪结果可收（21 行 DB 记录恒 version=1 pending 与此吻合）。 根因 = chunking.model 默认 gemini-3.7-flash 当日全天 503，而 capsule lens 走 get_google_llm 原始旁路，没有网关的分类重试/降级模型（同日 A/B 主模型 手工换 3.6、step lens 3.5-flash-lite 均健康，唯 capsule 绑死单一端点）。 修复：StepCapsuleLens 增降级模型链——HistoryChunkManager 从 llm 配置 summarizer 角色的 fallback（继承全局 default.fallback，现值 gemini-3.6-flash）解析同 provider（google）且异于主模型的降级模型，render 经 services.llm.with_fallback 分类切换（503/超时类才降级，bad request 不 掩盖进弱模型）。"短会话等不到下一次压缩事件"的假设不成立——flush 收割落库 M3 已实现，本轮补单测锁定（迟到就绪 → flush 收割 → DB ready v2 落库、冻结 文本不重渲染）。单测另覆盖：降级成功（主 503 → fallback 出 capsule）、无降 级时 503 耗尽 failed 且 chunk 维持 pending、降级模型解析三态（google-only、 不等于主模型）。

  3. 视觉 lens 单图自适应（§5 修订版落地）：新增 flash_summarizer_single.md 单图变体提示词——只描述决策帧内容与动作落点 （红标），无 AFTER ACTION 段，明示"缺后图仅表示无独立后验证据，严禁描 述/推测/合成动作后状态（转换叙事由相邻步摘要链接）"，禁判定词表原样沿用； _attempt 按"前后双图 → 原转换模板、其余（Pro 恒缺后图、任一图缺失、纯文 本）→ 单图变体"选择，单图块标签改为 DECISION FRAME（仅后图存在时亦有中性 标签）。Pro 无动作后抓屏的刻意安全网未动（不补抓、不用步 N+1 前图拼合）。 回显校验兜底：degenerate_summary_reason——输出含 "--- [" 段标记或以 "---" 开头、<15 字符、>1500 字符即判该次尝试失败，走既有有界重试，耗尽进 failed；双图模板补一句"输出永不含 --- 分隔符"降低无谓重试。单测覆盖单图/ 双图模板选择与块标签、回显判负后重试恢复、echo/过短/过长三形态耗尽 failed。

  4. 视觉 lens 计量接入（M0 遗留收口）：record_llm_usage/ SessionTokenMeter.record 增 update_last_prompt 开关；视觉 lens 与 capsule lens 的原始旁路调用成功后各记一条 llm_usage trace（source lens:visual_transition:<model> / lens:step_capsule:<model>），一律 update_last_prompt=False——lens 小 prompt 不得覆写 chunker 软/硬阈值消费 的 last_prompt_tokens 上下文基数；网关包装模型（RobustChatModelWrapper） 已在出口自计量，旁路计量以 isinstance 判别避免重复。M0 实施要点第 3 条 "raw 旁路仅测试使用"的表述至此与现状一致（旁路仍在，但已计量）。

  5. 定标落地：memory.runtime.max_concurrency 默认 1→2（依据基线报告 §6：串行队列使摘要就绪 P90 长尾超擦洗窗口 K=3+宽限；lens 是独立轻模型调 用，并发 2 风险低），Field description 已标注依据与出处； similarity_max_distance=8 维持待定标（基线未产生相似屏配对数据）。

  6. 就绪门控交换（§3.3 修订落地；任务中途经同伴会话转达用户拍板补入本轮）： HistoryChunkManager 事件流重构为"关段 ≠ 交换"——触发器（里程碑/尺寸/软阈 值）只关段：建 chunk 镜像、落 v1 pending DB 行（recall/辅助视图可见）、 dispatch 段头生成，原始回合原样留在转写 A 区（_awaiting 队列，lossless pending 从图片层贯彻到段层）；交换（freeze_turns + 渲染 chunk 块）发生在 段头就绪后的首次渲染，且只交换就绪的连续前缀（交换消耗最旧未压回合，老 段 pending 时后继段一并保留原文）。降级梯照 §3.3：生成失败（有界重试耗尽） → 原文保留 + 重投（lens 每次尝试自带 fallback 模型，见第 2 项；重投节奏限 触发/软硬压力渲染，不逐渲染，避免重引入无界 LLM 重试）；软阈值压力下仍未 就绪 → 依旧保留原文（正确性优先于 token）；仅硬阈值强制交换全部已关段 （pending 一并入 L3 快照，③ 最小索引存活）。checker post-hoc 标注独立于段 头（awaiting 态即刻 DB version bump），冻结文本仍只在交换事件重渲染（事件 间字节稳定）。无步记录的关段（chunk 缺失）永不常规交换，仅硬阈值随队清 出。CHUNK_PENDING_NOTE 增 recall_history 指引。A/B 的"21 chunk 段头全 pending"在门控下退化为"尚未压缩"的安全形态。单测：里程碑用例改为"关段不 交换 → 就绪后下次渲染交换"全流程、冻结区事件间字节稳定重写为门控形态、 软压力不交换、失败重投且原文保留、硬阈值强制入 L3 等新用例；触发器/era/ L3/寻址性用例改用 auto-resolve capsule 桩保持原有触发语义断言。

  7. 段头笔记关联升级为机械校验（同伴会话转达用户拍板补入）： parse_capsule 在 ② 区间覆盖校验之后增加笔记覆盖校验——payload 中段内 note_writes 的去重 key 必须以子串出现在 band① 任一文本字段（doing/did/ effect/entry/exit/四个结构化列表），缺任何一个该次尝试判负返回 None 走既 有有界重试，耗尽维持 pending（配合门控：不交换、原文保留）； step_capsule.md 明示该硬约束（machine-checked）。单测：双笔记段漏一 key 判负、补全通过、无笔记段不受影响。

    验证：tests/unit 全量 1224 通过 3 跳过 0 失败（M4 基线 1210+3，只增不 减，净增 14）；tests/tools 子集（operator/summarizer/validator/diagnoser） 7 通过。灰度前置 ①（§10 决策 3 / 基线报告 §7-3）至此满足；前置 ②（修复后 复测一轮 A/B）仍待真机，且复测轮应同时验收门控形态（段头就绪率、交换延 迟、A 区稳态尺寸）。

M5 — 缓存深化（可选） ✅ 终轮已实施 2026-09-01（worktree zealous-gates-4626b1 未提交，叠加在 M0-M4+硬化轮之上）

  • S 区显式 CachedContent（explorer 先例外推）；short_term_memory 移除（姊妹文档 §3.3，转写落地后其职责已被真多轮取代）；供应商 stateful API 评估。

M5 实施要点（2026-09-01；与计划的差异逐条标注）：

  1. 默认启用（用户拍板）：agent.memory.transcript.enabled 默认 false→true （config/agent.py 默认值 + config/artemis.jsonc 新增完整 agent.memory 块同步——jsonc 此前根本没有 memory 块；L2/L3 chunking 挂同一 flag 随同默认 开）。旧路径与转写构建异常自动回退逻辑全部保留不删——enabled: false 即回滚开关，置 false 逐字节回旧 2-message 行为（Field description 与 jsonc 注释均已标注，含 A/B 依据摘要）。测试纪律：凡"flag 关"语义的既有 测试改为显式传 false（test_operator.py 全部 21 处构造加 transcript_config=LEGACY_TRANSCRIPT；test_memory_config.py 默认断言改 true、显式 false 改为"回滚开关"用例），"flag 开"路径成为默认被测面。涟漪 仅一处：test_outputter 的 Mock engine 需补 get_history_chunks=[]（辅助 视图默认开始咨询 chunk 存储，空 chunk 时输出逐字节不变的 M4 语义未变）。

  2. short_term_memory 全链移除（姊妹文档 §3.3 落地）：按 visibility 附录 B 台账纪律先核销全部消费者再删——State 字段（state.py）、operator 提取/写块 （operator.py 返回 dict 与 <short_term_memory> 正则提取）、 ShortTermMemoryPromptComponent（prompts.py 类 + operator.py 两条组件清单 引用）、visibility manifest operator 读/写集、operator.json 的 Short-Term Memory 指令段（含示例块，模板不再教模型产出该标签）。 sdk _get_graph_state 经核实已是 State.initial() 单源（Phase 0/1 收拢）， 字段删除即覆盖。两处防御性清洗有意保留：task_tree.py 渲染侧的 <short_term_memory> 标签剥除与 showcase_ui markdown-parser 的标签过滤—— 历史 DB 中旧会话的思考原文仍含该标签，姊妹文档 §3.3 原文要求 "safely ignoring it in older responses"。

  3. C 清尾（M0-M4 标注遗留小项逐项处置）：

    # 遗留项 处置
    C1 旧 compress_flash_messages（M1 标注"M2 落地后再删"） 已删。语义对拍测试改造：test_flash_scrub_edge.py 两处 legacy 参照改为对 ScrubEdge 产物的直接字面断言；test_flash_step_summarizer.py 两例转为 ScrubEdge（image_scrub_depth=1 复现 legacy 时点，ordinal 回退键控保留覆盖），三例存档删除（pending 回退/迟到回填为 ScrubEdge 明令禁止的旧语义，前缀保留已由 scrub_edge 用例覆盖）
    C2 record_step 的 foreground_app 形参从未落库（M4 发现） 已做。显式形参优先落 extra_metadata["foreground_app"]；形参缺席时从 ui_tree 的 package 属性纯字符串推导（最频繁非 systemui 包，_derive_foreground_app，零设备调用零同步开销）；recall _step_haystack 检索面接入——包名查询不再仅依赖封顶 150 步的 XML blob 扫描。测试 +4
    C3 click_sequence/swipe 多点动作语义充实（M0 差异） 已做。_target_semantics 扩展：click_sequence 逐点命中测试（points_semantics 列表）、swipe 打 start/end 两点（start/end_semantics），首点语义提升为主 target_* 标签；全程 best-effort 永不抛。测试 +2（原"swipe 跳过充实"断言按新行为改写）
    C4 era 上限复用 max_chunks 同值（M3 差异） 已做。新键 chunking.max_eras（默认 None=随 max_chunks，保 M3 等值行为）；chunker _fold_eras 的 era 溢出改用独立上限。测试 +2（宽松 era 上限不溢出/紧上限提前溢出、config 默认与覆盖）
    C5 similarity_max_distance=8 待定标（M4） 已定标 8→5。worktree traces/data_engine.db 有 460 步 dHash 盖章（16 会话）：同屏重拍（同 SHA 相邻/wait 步/同 SHA 远距重访）距离集中 ≤4；相邻步分布双峰、谷在 5-6；跨应用会话对（T1 Settings × T2 时钟，保证异屏，n=11,770）≤5 仅 0.14%（阈 8 时 0.24%，假阳翻倍）。取谷值 5：同屏召回不损、异屏假阳减半。定标证据写入 Field description
    C6 M2 golden（模板拆分前 SHA-256） 已按新现状重录一次：operator.json 移除 Short-Term Memory 指令段（本轮 B 项唯一有意模板变更）使旧哈希失效；重录 EMPTY/SENTINEL 双哈希并在测试注释注明重录原因与时间。golden 的"任何其他漂移即 flag-off 路径不再逐字节"约束继续有效

  4. D1 — S 区显式 CachedContent：评估后决定不实现。依据：A/B 实测隐式缓存 已达 88% 调用命中/49.6% token 命中（基线 43%/29.8%），S 区字节稳定 + 转写 append-only 正是隐式缓存的理想形态，边际收益只剩"稳态间隔太长导致隐式条目 过期"的场景；而显式 CachedContent 要求最低 4,096 token 起步、按 token-hour 计存储费、需要显式生命周期管理（创建/续期/删除），并把 S 区绑定到单一模型 版本（fallback 切模型即缓存失效）。当前 Operator 步间隔 P50 8.8s 远短于隐式 条目寿命，付费显式缓存买不到增量命中。重启条件（写给未来）：若出现 ①步间隔常态 >5min 的长轮询任务（[Loop:continuous] 大 Interval）实测隐式 命中率显著回落，或 ②S 区膨胀（如工具 schema 大幅增长）使单次 re-prefill 成本可观，则按 explorer.py:1709 先例实现，config 开关默认关。

  5. D2 — Gemini stateful/Interactions API 评估备忘：见新增 §11（只评估不 实现）。

  6. 归档：状态行更新为已实施；§10 决策逐条标注（决策 5 维持"已按建议实施、 待用户终审"）；两份姊妹文档头部注记补最终状态指针。

    验证：tests/unit 全量 1229 通过 3 跳过 0 失败（硬化轮基线 1224+3，只增 不减，净增 5：+8 新增 −3 存档删除）；tests/tools 子集（operator/summarizer/ validator/diagnoser）7 通过。

    最终残留（2026-09-01 终轮验收后更新）：recall include_images 真机端到 端；最终验收轮真机三件套（>30 步 token 稳态、[Loop:continuous] 100+ 步、 capsule 盲评——此轮同时验收就绪门控形态与默认开后的复测 A/B） 已全部 完成并通过（2026-09-01 最终真机验收轮，五项全过：4 对同模型 A/B 回退 0/ 就绪率 60/60/延迟−60%/缓存 40%→86%；112 步 Loop 无堆叠、token 有界 33% 预 算、注入逐字保全；48 chunk 盲评禁词违规 1 例且语义无害；recall 图片块 3 次 Gemini 调用全 success；相似度提示正例+静默负例均验证——详见 docs/plans/history-acceptance-2026-09-01.md）。仍留：git 提交/PR（用户决 定，全部改动仍在 worktree zealous-gates-4626b1 未提交）；Flash 接 TranscriptLedger/chunk（文档既定后续项，Flash 侧 transcript.enabled 无效果、 零行为变化）；两项不阻塞优化候选（[Loop] 里程碑内相似度提示静默、 gemini-3.7-flash 供应商稳定性观察，验收报告 §6-a/e）。

决策 5 终审收尾 ✅ 已实施 2026-09-01（用户终审 2026-09-01 定案，worktree zealous-gates-4626b1 未提交；叠加在 M0–M5 之上）：

  1. 形态变化：era 溢出的极限层从 M3 的"纯标记行" [Era N | Steps a–b: ledger via recall_history] 升级为 §3.3 终审定案的 时段段落—— [Era N | Steps a–b | T+hh:mm → T+hh:mm] <一段话概括> + 缩进 recall 指引行 (Step-level ledger via recall_history for steps a–b) + user 注入行逐字保留 （never-evict 不随丢步豁免）。起止时间取该 era 首 chunk start_offset 与末 chunk end_offset（既有 T+ 会话偏移格式），是视频对齐的粗粒度外键。
  2. 段落机械拼装，零新增 LLM 调用（chunking.render_era_period_paragraph）： doing 取各 chunk ① 首个非空；did 逐 chunk 取首句串联（band1 缺失/pending 的 chunk 回退用 milestone_label，无标签再退 steps a–b）；effect 中笔记引用 （notes/<key> 路径与 *.md 文件名正则）合并去重；verified_facts 集合并后 取前 4 条。全部 chunk 无 band1 时段落退化为"里程碑标签列表 + 步范围"—— 永不为空（新增单测覆盖两级回退）。
  3. 代码位置：artemis/memory/chunking.py（RECALL_MARKER_TEMPLATE 更名 RECALL_GUIDANCE_TEMPLATE 并改为缩进指引行；render_era_block recall_only 分支重写；新增 render_era_period_paragraph/_first_sentence）；recall 端 无解析耦合（recall_history 的 step_range 入口本就按步号范围回捞，与标记 行字面无关），仅同步了 artemis/tools/history_recall.py 文档字符串与 artemis/agents/operator/operator.json 提示词中对入口行形态的描述。
  4. 不变量修订落地（§8 同步）："全层级步可寻址"单测改为 L2 chunk/era 合并/ L3 快照层逐步可寻址 + 极限段落层时段可寻址（正则断言 Steps a–b 与 T+..→T+.. 在场）。era 溢出用例改断言新形态（时间范围在场、段落非空、 doing/笔记引用/verified 进段落、指引行与 user 行仍在）。
  5. 验证：tests/unit 全量 1231 通过 3 跳过 0 失败（M5 终轮基线 1229+3， 只增不减，净增 2：时段段落逐 chunk 回退 + 全缺失退化两用例）。

每阶段独立可回滚；M2 起所有新行为在 flag 后面，关 flag 即回现状（M5 后 flag 出厂开，关 flag 语义不变）。

8. 验收红线（继承并加严）

终轮判定（2026-09-01）：六条红线全部 PASS（"速度/质量"两条因样本量为方向性判定，"对拍"引用 M5 单测 golden）——逐条依据见 docs/plans/history-acceptance-2026-09-01.md §7。

  • 不损伤：压缩产物一律可经 step 引用回捞原文；chunk/快照生成失败时源摘要与 detailed 渲染回退可用（现 task_tree.py:920 语义保留为最后防线）。
  • 步骨架不变量：L2 chunk、era 合并、L3 快照层级后，转写中步 1:1 可寻址——每步的步号与相对时间可直接读出，无合并、无丢步、无重排；视频分析模块按步号/时间戳的对齐在压缩前后逐步一致（新增回归测试）。唯一例外：极限时段段落层（决策 5 终审）——允许丢步，但段落必须带步号范围与起止时间（时段可寻址），用户注入行仍逐字保留，步级细节 recall 可回捞。
  • 速度：关键路径零摘要等待、零新增同步调用；延迟回归 ≤5%（30 对任务、置信区间）。
  • 缓存：M1/M2 各自报告命中率提升（这是本方案区别于现状的核心收益，必须量化）。
  • 质量：重复动作率、历史致回滚率不升；跨计划改写的关键事实保留率上升；摘要/Validator 冲突趋零。
  • 对拍：辅助 agent 编译视图收拢前后逐字节一致；Flash M1 语义等价对拍。

9. 风险与回退

风险 缓解
转写路径引入回归（最大风险面） 双路径并存 + flag；A/B 对拍先行；State/图结构不动
Gemini 隐式缓存命中不及预期（条目短寿命、前缀下限） M0 先测真实命中率；不及预期则 M5 显式缓存提前；方案收益不全押缓存（真多轮/签名连续性独立成立）
chunk 质量差导致远期决策劣化 结构化字段合并而非散文再摘要；recall 兜底；盲评（姊妹文档 §17 三方对比法沿用）
flash-lite 摘要质量上限 lens 模型可配；闲时用 3.7 重摘（姊妹文档 §8.3 隔离模式保留）
无界任务 chunk 无限增长 era 二级合并 + 预算封顶 + L3 快照
转写崩溃丢失 DataEngine 为事实源，冷启动构造器重建 F 区（A 区丢失退化为冷启动，可接受）
裸坐标动作账本无语义（"click 82,32 看不出在点什么"） M0 记录时命中测试充实 target_text（§6.1）；target_label_source 区分指名与推断
异步检查点结果在段 chunk 化之后才回果，① 的 verified/unresolved 过时 chunk 版本化 + checkpoint harvest 对命中步范围的 chunk 追加 post-hoc 标注并 bump version；F 区文本在下一次压缩事件时才重渲染（不做即时深突变）
一步内 FA 恢复动作视频轴有帧、账本无行 ③ 缩进子行机械渲染 _exec_*（数据已在 interleaved_events）
段内用户注入指令被压缩叙事吞掉 ③ 逐字保全行 + never-evict（§3.3 账本细则）
回合内工具循环（≤20 次迭代）在两次计量之间撑爆上下文 16K 单工具信封 + 回合内累计估算越硬阈值时强制决策（姊妹文档 §13 语义接入 L3 触发检查）
计划写入被否决回滚造成伪里程碑切换 触发事实源锁定为已执行步骤盖章变化；计划事件只入队待确认（§3.3）
chunk 化删除携带思考签名的旧 AIMessage 影响后续轮 压缩点永远在完整回合边界（不劈 tool-call/response 对）；M2 真机验证项
今日 Pro 的 SystemMessage 本身含易变历史——模板在 # CURRENT OBSERVATION 处切分，part 0（含 ## Current Plan & Execution History）进系统消息（prompts.py:218-222）；不拆模板则 S 区无从稳定，缓存收益归零 M2 前置子任务：operator.json 模板拆分——静态规则/计划语法留 S 区，plan+history 移出系统消息（姊妹文档 §12 同一要求，在此升为 M2 硬依赖）
转写内时间戳字节不稳定：现 get_relative_time 是 "x min ago" 措辞，冻结后即变陈旧谎言，重算则破字节稳定 ③ 账本一律用会话起点偏移 T+mm:ss（冻结后永真且字节稳定）；"ago" 措辞仅限辅助 agent 的每次重编译视图
极端规模下 ③ 与有限预算的数学冲突：[Loop:continuous] 跑到数千步时，即便最小行宽的逐步账本也会耗尽预算 开放决策 §10：最老 era 的 ③ 溢出到 recall-only（转写留 Steps 1–500: ledger via recall_history 标记行），或预算随任务放宽——需用户定溢出规则
模型路由 fallback 切换后 prompt_tokens 分词口径不一致 计量当近似值用，软/硬阈值留 10%+ 余量；切换事件记入计量日志

10. 开放决策（待用户拍板）

  1. 步级单 lens 修订（§5） 已拍板（2026-08-31）：采纳。步级仅保留 VisualTransitionLens（双 profile 共用），Pro 步级胶囊上移为 chunk 级 StepCapsuleLens。原否决备选（双摘要并存、update_step_summary 加 lens 维度、成本 ×2）作废。
  2. 默认值定标 已决（2026-09-01）：基线报告 §6 定标——context_budget_tokens=80K/软硬阈值/K=3/min_active=5/chunk≤12 全部维持（实测远未触及，触发行为验收留 [Loop:continuous] 真机轮）；max_concurrency 1→2（硬化轮）；similarity_max_distance 8→5（M5 依 460 步 dHash 分布定标，见 §7 M5 要点 3-C5）。
  3. M2 灰度顺序 已决（2026-09-01）：A/B 红线全过且大幅改善后，用户拍板 M5 将 transcript.enabled 提为默认开；enabled:false 保留为逐字节回滚开关。基线报告 §7-3 的两个前置中 ①（冷启动修复认领+回归测试）已在硬化轮满足，②（修复后复测轮）并入最终验收真机轮。
  4. 辅助 agent 视图升级时点 已决：M4 收口（编译视图接 chunk digest，full/digest 双渲染，见 §7 M4 要点 5）。
  5. 极端规模的 ③ 溢出规则：最老 era 的 ③ 溢出到 recall-only 标记行 已终审定案（用户 2026-09-01，修订原实施）：极限层允许丢步——最老 era 压缩为"时段段落"（一段话概括 + 步号范围与起止时间必须在场 + recall 指引 + user 注入行逐字保留），段落机械拼装自 era 各 chunk ① 字段。见 §3.3 极限层小节；M3 原"纯标记行"实施按此升级（终审收尾轮落地）。

11. 供应商 stateful API 评估备忘（M5，只评估不实现）

对象：Gemini Interactions API（2026 年起 Google 推荐的新接口面，与本仓现用的 generateContent 并行提供）。其与本架构直接相关的三个特性（官方文档核实于 2026-09-01）：

  • 服务端会话状态：store: true（默认开）+ 后续请求带 previous_interaction_id 即可让服务端续接完整对话历史，客户端无需重发消息； 付费层交互对象保留 55 天（免费层 1 天），可配置 7/14/28/55 天窗口，可显式删除。
  • 思考签名服务端化：stateful 模式下 thought signature（Gemini 3 起的加密思考 连续性凭据）由服务端随会话状态自动管理，客户端完全无需回传/维护——本方案 §3.2 的"思维签名政策"（回合内强制、A 区顺带、压缩即弃）在该模式下整体消失为 非问题。
  • 显式缓存不支持：Interactions API 只有隐式缓存；显式 CachedContent 仅 generateContent 提供。若未来重启 D1（显式缓存），则与迁移 Interactions API 互斥，需二选一。

11.1 与本架构的相容性评估

维度 现架构（M0-M5 转写） Interactions API stateful 评估
历史表示 客户端 TranscriptLedger 四区，字节级自主控制 服务端黑盒累积，客户端只发新尾部 根本冲突：擦洗沿（深度 K 图→摘要替换）、L2 chunk 化、L3 快照全部依赖对历史消息的受控深突变——服务端状态是 append-only 黑盒，无法就地替换第 i 条消息的图片块，也无法把 12 步折叠成一个 chunk 块。要保留分层压缩就必须在压缩事件时放弃续接、整段重建新会话（丢 previous_interaction_id 换新 id），届时"免重发历史"的收益只在压缩事件之间存在
缓存 隐式缓存实测 88% 调用命中（A/B） 隐式缓存由服务端在续接时自动优化 收益近似打平：本架构的 S 区稳定 + append-only 已把隐式缓存吃到接近上限，服务端续接省的是上行带宽与序列化，不是缓存未命中
思考签名 A 区字节不动即免费有效，压缩即弃（§3.2） 服务端全托管 Interactions 略优，但现政策实测零签名错误（A/B 红线），痛点不存在
可逆性/审计 DataEngine 全量在案，recall 可回捞 服务端 55 天留存，之后自动删除 现架构必须保留 DataEngine 事实源不动摇；服务端状态只能作缓存层，不可作事实源
生态 LangChain langchain-google-genai（generateContent 系）+ 本仓网关（分类重试/fallback 模型链） 需直连新 API 面；fallback 切模型时服务端会话是否可跨模型续接未验证 迁移面 = LLM 网关全重写 + fallback 语义重新设计，改动半径大
隐私/合规 请求即用即弃（模型侧） 默认 store: true，设备操作史（截图、输入文本）在 Google 侧留存最长 55 天 移动 UI 自动化的截图流含敏感界面，默认服务端留存需要显式合规评估；store: false 则失去 stateful 收益，自相矛盾

11.2 结论

不迁移，不部分采用（2026-09-01）。 三条硬理由：① 分层压缩（本方案的核心 价值：token 稳态有界 + 步骨架不变量）与服务端黑盒状态根本不相容，保它就得在每 次压缩事件重建会话，收益归零；② 现架构在缓存命中与签名连续性上的实测表现已接 近 Interactions 能给的上限（88% 命中、零签名错误），痛点侧无增量；③ 截图流默 认服务端留存 55 天是移动自动化场景新增的合规面。

重估触发条件（写给未来）：① Google 宣布 generateContent 弃用时间表（届时 迁移变为强制，方案是"压缩事件即会话重建"的混合形态，本备忘 §11.1 第一行即设计 起点）；② Interactions API 补齐显式缓存与服务端历史编辑（可控修剪/替换）能力； ③ 出现"无压缩短会话"型新 profile（如 <15 步的 Flash 任务），可单独试点 stateful 模式免去消息重建。

Reference in new issue View Git Blame Copy Permalink