Context Rot Detection

上下文腐烂检测

MCP服务，使AI代理对其认知状态有自我意识。

每个长时间运行的AI代理都会遭受 语境腐化 --随着上下文窗口的填满，可测量的性能下降。研究来自 色度, 斯坦福 （“lost-in-the-midle”），以及 瑞迪斯 这证实了这是生产代理系统中排名第一的实际故障模式。

经历上下文腐烂的代理不会 *知道* 这是有辱人格的——它只是开始做出更糟糕的决定。此工具为代理提供 实时了解自己的认知健康状况.

特性

• 健康评分（0-100） 基于令牌利用率、检索准确性和会话疲劳
• 特定型号的退化曲线 适用于15+个精选型号（克劳德、GPT、双子座、o系列）
• 自动解析任何HuggingFace模型 --传递一个repo ID，如下所示 meta-llama/Llama-3.1-70B 并且自动检测上下文窗口，结果缓存在SQLite中
• 中间损失风险评分 基于斯坦福大学的研究
• 工具调用负担 和 会话疲劳 分析
• 可采取行动的恢复建议 --紧凑上下文、卸载到内存、检查点、分解为子任务
• 每个代理的健康历史 跟踪（SQLite）
• 全服务利用率统计

快速开始

npx（零安装）

npx context-rot-detection

npm（全局安装）

npm install -g context-rot-detection
context-rot-detection

MCP客户端配置

克劳德代码

增添 .mcp.json 在项目根目录中：

{
  "mcpServers": {
    "context-rot-detection": {
      "command": "npx",
      "args": ["-y", "context-rot-detection"],
      "env": {
        "HEALTH_HISTORY_DB": "./health.db"
      }
    }
  }
}

克劳德桌面

增添 claude_desktop_config.json:

{
  "mcpServers": {
    "context-rot-detection": {
      "command": "npx",
      "args": ["-y", "context-rot-detection"],
      "env": {
        "HEALTH_HISTORY_DB": "/path/to/health.db"
      }
    }
  }
}

码头工人

{
  "mcpServers": {
    "context-rot-detection": {
      "command": "docker",
      "args": [
        "run", "-i", "--rm",
        "-v", "context-rot-data:/data",
        "ghcr.io/milos-product-maker/context-rot-detection:latest"
      ]
    }
  }
}

配置

工具

check_my_health

分析当前上下文窗口的运行状况。在长时间会议期间或关键决策之前定期调用此功能。

参数：

示例响应：

{
  "health_score": 62,
  "status": "warning",
  "token_utilization": {
    "current": 155000,
    "max_effective": 170000,
    "percentage": 91.2,
    "danger_zone_starts_at": 170000
  },
  "quality_estimate": {
    "retrieval_accuracy": "degrading",
    "middle_content_risk": "high",
    "estimated_hallucination_risk": "moderate"
  },
  "session_fatigue": {
    "tool_call_burden": "moderate",
    "session_length_risk": "low",
    "recommendation": "Consider breaking into sub-tasks if complexity increases."
  },
  "recommendations": [
    {
      "priority": "high",
      "action": "compact_context",
      "reason": "You are approaching the effective quality threshold. Summarize older context and remove completed task details.",
      "estimated_quality_gain": 15
    },
    {
      "priority": "high",
      "action": "offload_to_memory",
      "reason": "High risk of lost-in-the-middle effect. Store critical information to external memory before it is effectively lost.",
      "estimated_quality_gain": 8
    }
  ]
}

get_health_history

检索特定代理的健康检查历史记录。

参数：

get_service_stats

获取服务范围内的利用率统计数据。无需参数。

返回总呼叫数、唯一代理、平均健康评分、模型分布、状态分布和最近活动（最近一小时/最近24小时）。

支持的型号

HuggingFace自动分辨率

包含以下内容的任何模型字符串 / 被视为HuggingFace仓库ID。服务器获取 config.json 从repo中提取上下文窗口大小(max_position_embeddings, n_positions，或 max_seq_len)，并生成保守的退化曲线：

• 65% 最大令牌数→ 退化开始
• 80% 最大令牌数→ 危险区

结果缓存在SQLite中——后续查找是即时的。

model: "meta-llama/Llama-3.1-70B"       → 131K context, danger at 105K
model: "mistralai/Mistral-7B-v0.1"      → 32K context, danger at 26K
model: "mosaicml/mpt-7b"                → 65K context, danger at 52K

如果获取失败（网络错误、门控模型、缺少配置），服务器将自动恢复到保守的默认值。

后备方案

任何未识别的模型字符串 / 回落到保守的默认值（最大128K，100K危险区）。

运作原理

健康评分是四个信号的加权组合：

降解曲线来自实证研究：

• 色度：上下文腐烂 --在200K型号上，质量下降了约147K–152K个代币
• 斯坦福：迷失在中间 -上下文窗口中间信息的检索精度下降
• Redis：上下文腐烂 --长效药剂的复合降解效应

发展

git clone https://github.com/milos-product-maker/context-rot-detection.git
cd context-rot-detection
npm install
npm run dev        # Run with tsx (hot reload)
npm test           # Run unit tests
npm run build      # Compile TypeScript

MCP检验员测试

npx @modelcontextprotocol/inspector node dist/index.js

许可证

麻省理工学院