主战场与附属实现

Autonomy Agent Continuous Context

一句话定义：Blitz 当前的核心问题域 —— 如何让 AI Agent 在无限延伸的任务流中，持续保持对自身状态、目标方向和历史决策的有效感知。

这不是一个具体产品，而是一个贯穿理论、引擎与插件的完整问题域。它决定了所有工程实现的方向和评价标准。

解决这个问题需要同时触及三个层面：

理论层 — CDA（上下文方向对齐）：定义正确方向上的上下文，量化上下文与任务意图的对齐程度
引擎层 — SPC-CTX：动态组装、压缩、筛选上下文的运行时引擎
插件层 — OpenClaw SPC plugin：将引擎嵌入 OpenClaw Agent 工作流的适配与扩展机制

SPC-CTX 与 OpenClaw SPC plugin 都是主战场的附属实现，不是主战场本身。

附属实现

SPC-CTX Core SDK

一句话定义：SPC-CTX 核心引擎的跨平台 SDK，将上下文组装、压缩、筛选等核心能力抽象为可复用接口。

状态: 🚀 月底前开源

目标平台: OpenClaw plugin / OpenCode plugin / LangChain / Hermes

SPC-CTX OpenClaw Plugin

一句话定义：将 SPC-CTX 接入 OpenClaw 运行框架的生产级插件实现。

状态: 🧪 生产测试中

SPC-CTX OpenCode Plugin

一句话定义：通过 OpenCode 的 experimental.chat.messages.transform 钩子实现的上下文引擎插件。

状态: 🔨 开发中

SPC-CTX（Self-Paced Context Engine）

一句话定义：一个服务于 Autonomy Agent Continuous Context 的 Phase 感知语义上下文引擎。

SPC-CTX 是 CDA 范式的首个完整工程实现。它不做「更大」或「更全」的上下文，而是做更对齐的上下文 —— 通过量化当前任务意图与上下文条目的相关度，动态决定保留、压缩或丢弃。

核心机制

机制	功能	工程效果
Phase 感知	根据 Agent 语义状态（assemble / ingest / afterTurn / compact / bootstrap）切换上下文组装策略	避免「一刀切」的上下文截断
SCG 语义压缩图	用图结构保留核心节点与关键边，渐进最优逻辑关联保持	高比例 token 压缩后，因果关系仍然可控
QTS 四元量化	intent_match + phase_match + tool_relevance + causal_proximity	从「语义相似」升级到「因果相关」
热经验发现	当某个 context 模式重复出现且方差低时，自动提炼为经验原子	减少重复计算，提升长期一致性

真实运行数据

基于 2026-04-11 至 2026-04-13 的连续运行记录：

contextUsage 在 61.6% 时触发 AGGRESSIVE compact
修复 QTS 在 compact 子集上运行后，assemble 阶段读取条目从 1287 条降至 90 条
长任务中有效 token 稳定在 28-40% 区间

CDA 书稿

一句话定义：一本系统阐述 AI Agent 上下文方向对齐理论框架与工程实践的技术书稿。

《上下文方向对齐》是 Blitz 正在撰写的书稿，目标读者是 AI Agent 开发者、架构师与技术决策者。

书稿结构：

第一章：AI Agent 上下文困境与主流解法局限（扩展窗口、RAG、MemGPT 的问题）
第二章：CDA 理论框架 — 方向 vs 信息量、三层内存架构、Phase 语义切片、QTS 量化理论、SCG 结构保留
第三章：真实运行数据、v0.16.0 关键修复的工程价值、市场共鸣与反例边界
第四章：SPC-CTX 与 OpenClaw SPC plugin 的完整工程实现路径

状态: 初稿完成（2026-04-14）

阅读书稿：

中文版 — 《上下文方向对齐：AI Agent 上下文管理的核心范式》
English Version — Context Direction Alignment: The Core Paradigm for AI Agent Context Management

源文件: whtoo/cda_protocol

历史项目

JSTankGame

基于 FRP 的坦克大战游戏

使用 JavaScript 和函数式响应式编程（FRP）思想实现的坦克大战游戏，用于验证 FRP 概念在交互式应用中的落地。

GitHub: whtoo/JSTankGame
技术栈: JavaScript, FRP

解释器实现系列

使用 Racket 语言从零实现的解释器系列代码，涵盖：

substitution 模型
环境模型
闭包与可变量
解释器完整执行链路
技术栈: Racket
主题: 解释器构造、环境模型、闭包、可变状态

项目时间线与演进

2019-2023    底层系统训练
    ├── 汇编语言研究
    ├── Racket 解释器实现
    └── FRP 理论与实践

2023-2024    结构显式化训练
    ├── Graphviz / DOT 可视化
    └── 编译器前端与算法研究

2024-至今    Autonomy Agent Continuous Context
    ├── CDA 理论框架
    ├── SPC-CTX Core SDK（月底开源）
    ├── SPC-CTX OpenClaw Plugin（生产测试中）
    └── SPC-CTX OpenCode Plugin（开发中）

如果你对 Autonomy Agent Continuous Context、SPC-CTX、OpenClaw SPC plugin，或 CDA 范式感兴趣，欢迎通过 GitHub 或 X 联系交流。