harness相关

不依赖 LangChain 的 harness，含上下⽂压缩 + 兜底 + 持久化记忆

1. 最小 Agent 循环（agent.ts）

ask() 一次请求 = 记忆检索 → 上下文压缩 → ReAct 循环 → 兜底终止。 循环内是标准的 Function Calling 链路：

组装请求（system + 历史 + 工具 schema）
  → 模型返回 tool_calls（JSON 字符串参数）
  → 解析 + 校验 → 执行工具 → 结果以 role:tool 回传
  → 再请求模型 → 直接回答则终止

终止条件有三个：模型直接回答 / 超过最大步数 / 连续工具失败超阈值。

2. 工具调用异常兜底（agent.ts 的 executeToolWithRetry）

五层兜底，分层背：

1. 工具不存在 → 报错 + 列出可用工具（白名单校验）；
2. JSON 解析失败 → 错误回传，模型修正重发；
3. Schema 校验失败 → 讲清"缺哪个参数、该是什么类型"；
4. 执行异常 / 超时 → retryable 工具指数退避重试（200ms → 400ms，最多 2 次）；
5. 仍失败 → 错误作为 tool 消息喂回模型，下一轮自我纠错。

关键认知：错误不抛给程序，而是变成"观察结果"回传模型；业务错误（订单不存在）与工具错误分开，前者不触发重试。

3. 上下文压缩（context.ts）

两层策略 + 兜底：

• 滑动窗口：只保留最近 N 轮完整对话；
• 滚动摘要：窗口外的历史交给模型压成一条摘要消息（摘要标记 summary，不参与二次摘要）；
• 兜底：压缩后仍超预算 → 从最旧消息开始丢；摘要生成失败 → 占位文本，不影响主流程。

token 估算用"中文 1 字 ≈ 1 token、英文 4 字符 ≈ 1 token"的近似算法，生产可换 tiktoken。

4. 持久化记忆（memory.ts）

• 存储：JSON 文件（重启不丢），生产可换 SQLite / Redis / 向量库；
• 检索：零依赖的词重叠打分（CJK 二元组 + 英文词），生产换 embedding + ANN，思路一致；
• 读写入口：模型通过 remember_fact / recall_memory 工具自主读写；
• 注入：每次请求自动把 top-k 相关记忆拼进 system prompt（短期记忆 = 会话内 messages，长期记忆 = 这个文件）。