Token 预算管理 - 上下文窗口动态计算

从源码角度揭示 Claude Code token 预算管理：200K 上下文窗口的动态计算、截断机制、缓存优化和自动压缩的完整链路。

上下文窗口：200K 不是全部

Claude Code 的默认上下文窗口为 200K tokens（MODEL_CONTEXT_WINDOW_DEFAULT = 200_000），但实际可用于对话的空间远小于此：

上下文窗口（200K）
├── 系统提示词（~15-25K，缓存后成本低）
├── 工具定义（~10-20K，含 MCP 工具）
├── 用户上下文（CLAUDE.md、git status 等）
├── 输出预留（maxOutputTokens）
│   ├── 默认上限：64K
│   ├── 实际默认：8K（slot-reservation 优化）
│   └── 触顶自动升级：一次 64K 重试
└── 剩余：对话历史空间（随对话增长）

getContextWindowForModel()（src/utils/context.ts:51）按 5 级优先级解析窗口大小：

1. CLAUDE_CODE_MAX_CONTEXT_TOKENS 环境变量覆盖
2. 模型名含 [1m] 后缀 → 1M tokens
3. getModelCapability(model).max_input_tokens
4. 1M beta header + 支持的模型（claude-sonnet-4, opus-4-6）
5. 兜底：200K

有效上下文 = 窗口大小 - min(maxOutputTokens, 20K)，因为压缩摘要需要预留输出空间。

Token 计数：近似 vs 精确

系统使用两级 token 计数策略：

近似估算（毫秒级）

// src/services/tokenEstimation.ts
function roughTokenCountEstimation(content: string, bytesPerToken = 4): number {
  return Math.round(content.length / bytesPerToken)
}

对不同内容类型有特殊处理：

• JSON/JSONL：bytesPerToken = 2（密集的 {, :, , 符号，每个仅 1-2 token）
• 图片/文档：固定 2000 tokens（基于 2000×2000px 上限的保守估计）
• thinking block：按实际文本长度 / 4
• tool_use：序列化 name + JSON.stringify(input) 后 / 4

精确计数（API 调用）

使用 Anthropic 的 beta.messages.countTokens 端点。在不同 provider 上有不同路径：

Provider	方法
Anthropic 直连	anthropic.beta.messages.countTokens()
AWS Bedrock	@aws-sdk/client-bedrock-runtime 的 CountTokensCommand
Google Vertex	Anthropic SDK + beta 过滤
兜底（Bedrock 不支持）	用 Haiku 发送 max_tokens=1 的请求，读取 usage.input_tokens

精确计数在关键决策点使用（压缩前后对比、warning 判断），近似估算在热路径使用（每轮循环的 shouldAutoCompact 检查）。

3P Provider 的 Token 计数差异

不同 Provider 的精确 token 计数实现方式不同，部分 provider 甚至不支持精确计数：

Provider	计数方式	注意事项
Anthropic 直连	anthropic.beta.messages.countTokens()	标准 API，最准确
AWS Bedrock	CountTokensCommand	需要动态加载 279KB AWS SDK
Google Vertex	Anthropic SDK + beta 过滤	需要特定 beta headers
OpenAI 兼容层	无精确计数	退回到近似估算
Gemini 兼容层	无精确计数	退回到近似估算
Bedrock 不支持时	用 Haiku 发送 max_tokens=1 请求	读取 usage.input_tokens

OpenAI 和 Gemini 兼容层不支持精确 token 计数，系统会退回到近似估算。这会影响：

• 自动压缩触发时机：可能略有偏差
• 压缩前后 token 对比：仅为估算值，非精确
• Warning/Error 阈值判断：基于估算而非精确计数

// src/services/tokenEstimation.ts - 近似估算函数
function roughTokenCountEstimation(content: string, bytesPerToken = 4): number {
  return Math.round(content.length / bytesPerToken)
}

源码路径：src/services/tokenEstimation.ts

自动压缩的触发阈值

src/services/compact/autoCompact.ts — 核心阈值

常量	值	含义
AUTOCOMPACT_BUFFER_TOKENS	13,000	窗口减去此值 = 自动压缩触发点
WARNING_THRESHOLD_BUFFER_TOKENS	20,000	在触发点 + 20K 处显示警告
ERROR_THRESHOLD_BUFFER_TOKENS	20,000	在触发点 + 20K 处显示错误
MANUAL_COMPACT_BUFFER_TOKENS	3,000	手动 /compact 的阻塞上限
MAX_CONSECUTIVE_AUTOCOMPACT_FAILURES	3	连续失败 3 次后停止尝试

以 200K 窗口为例：

• ~167K：warning 闪烁，用户看到建议压缩的提示
• ~180K：自动压缩触发（200K - 20K 输出预留 = 180K 有效，再 - 13K buffer）
• ~197K：达到 blocking limit，新消息被阻止

shouldAutoCompact() 有多个逃逸条件：

• compact / session_memory 来源的查询永不触发（防递归死锁）
• DISABLE_COMPACT / DISABLE_AUTO_COMPACT 环境变量
• 用户配置 autoCompactEnabled = false
• Context Collapse 模式激活时抑制（collapse 自己管理上下文）
• Reactive Compact 实验模式下抑制主动压缩
• 超过连续失败上限（circuit breaker）

Micro-Compact：工具结果的渐进式压缩

在触发全量压缩之前，系统先尝试 micro-compact——只压缩旧的工具调用结果：

可压缩工具列表（COMPACTABLE_TOOLS）：
FileRead, Bash, Grep, Glob, WebSearch, WebFetch, FileEdit, FileWrite

策略基于时间：

• 超过一定时间（由 timeBasedMCConfig 控制）的工具结果被替换为简短占位符
• 图片/文档结果替换为 [image] / [document] 文本
• 每次替换释放 tokens，可能推迟全量压缩

工具本身也有 maxResultSizeChars（通常 100K）硬限制，超长结果在写入消息前就被截断。

全量压缩的完整流程

autoCompactIfNeeded() / compactConversation()
  ↓
1. 执行 PreCompact hooks（外部可注入自定义指令）
  ↓
2. 尝试 Session Memory 压缩（更轻量，优先尝试）
  ↓
3. Session Memory 失败 → 全量压缩
   a. 图片/文档从消息中剥离（替换为 [image]/[document]）
   b. skill_discovery/skill_listing 附件剥离（压缩后会重新注入）
   c. 通过 forked agent 发送摘要请求（复用主线程的 prompt cache）
   d. 如果摘要请求本身触发 prompt-too-long → truncateHeadForPTLRetry()
      从最老的 API 轮次开始删除，重试最多 3 次
   ↓
4. 压缩成功后重建上下文：
   - compactBoundaryMarker（记录压缩类型、前 token 数等）
   - 摘要消息（不可见的 user 消息）
   - 最近 5 个文件的重新读取（POST_COMPACT_TOKEN_BUDGET = 50K）
   - plan 文件附件（如果有）
   - plan mode 指令（如果在计划模式中）
   - 已调用的 skill 内容（每 skill ≤5K，总计 ≤25K）
   - deferred tools / agent listing / MCP 指令的增量重新注入
   - SessionStart hooks 重新执行
   - PostCompact hooks 执行
  ↓
5. 更新缓存基线，防止被误判为 cache break

Prompt Cache Sharing

压缩 API 调用是整个会话中最昂贵的操作之一。系统通过 runForkedAgent 复用主线程的缓存前缀（system prompt + tools + context messages），将缓存命中率从 2% 提升到接近 100%。这个优化单独节省了舰队级约 0.76% 的 cache_creation tokens。

输出 Token 的 Slot 优化

一个经常被忽视的优化：maxOutputTokens 的动态调整。

// src/services/api/claude.ts — getMaxOutputTokensForModel()
const defaultTokens = isMaxTokensCapEnabled()
  ? Math.min(maxOutputTokens.default, 8_000)  // 默认降到 8K
  : maxOutputTokens.default                     // 原始默认 32K/64K

为什么？因为 API 的 slot 机制按 max_tokens 预留推理容量。BQ p99 输出仅 4,911 tokens，32K 默认值浪费了 8-16 倍的 slot 容量。降到 8K 后，不到 1% 的请求被截断——这些请求会自动获得一次 64K 的 clean retry。

这个优化对 token 预算的影响是间接的：更多的 slot 容量意味着更少的排队延迟，间接减少了超时和重试。

Partial Compact：选择性地压缩

除了全量压缩，用户还可以在消息历史中选择某个位置，只压缩该位置之前或之后的内容：

• up_to 方向：压缩选中消息之前的内容，保留最近的对话
• from 方向：压缩选中消息之后的内容，保留早期的对话

from 方向保留 prompt cache（前缀不变），up_to 方向则破坏 cache（摘要插在保留内容之前）。

两种方向的 PTL（prompt-too-long）重试策略相同：从最老的 API 轮次开始删除，确保至少保留一组消息供摘要。