长任务不爆上下文!taskhomie如何压缩历史快照并优化Token用量的工程技巧
长任务不爆上下文!taskhomie如何压缩历史快照并优化Token用量的工程技巧
taskhomie(computer-agent)是一个用自然语言控制电脑的桌面 AI Agent,能截屏、移动鼠标、点击、输入并执行终端命令。正因为每一步都要把屏幕"喂"给大模型,长任务很容易撑爆上下文、烧光 Token。本文拆解它压缩历史快照、优化 Token 用量的 6 个核心工程技巧,帮你写出更省钱的 AI Agent。
一、问题背景:为什么长任务会"爆上下文"
Computer Use 类 Agent 的一个典型循环是:截屏 → 模型观察 → 调用工具(点击/输入/命令)→ 再截屏 → 继续,如此往复几十轮。每一轮都会往对话历史里塞入一张截图和一大段工具结果,上下文长度呈线性膨胀。taskhomie 用 Tauri + Rust + React 构建,其 Agent 主循环位于 agent.rs,默认最多跑 50 轮(MAX_ITERATIONS = 50)以防任务失控。
那么它是如何把 Token 用量"压"下来的?答案藏在下面这 6 个技巧里。
二、技巧1:截图在源头就压缩——1280x800 + JPEG质量60
很多项目直接发送原始分辨率截图,token 消耗惊人。taskhomie 在截屏函数 take_screenshot() 中做了三级瘦身:
| 步骤 | 做法 | 效果 |
|---|---|---|
| ① 强制缩放 | 统一缩放到 1280x800(AI_WIDTH/AI_HEIGHT) |
无论用户屏幕多大,发给模型的都是固定尺寸 |
| ② 快速缩放算法 | 使用 FilterType::Nearest(最快) |
编码开销极小,"对 AI 来说够用" |
| ③ 低质量 JPEG | JPEG_QUALITY = 60 |
文件更小、编码更快,视觉信息几乎无损 |
细节也很讲究:API 侧的 DISPLAY_WIDTH/DISPLAY_HEIGHT 常量与缩放尺寸严格一致(见 api.rs),保证模型输出的坐标能精确映射回真实屏幕——压缩不能以丢失坐标精度为代价。
三、技巧2:背景模式用"文本快照"替代截图
在 Background Mode(后台模式)下,taskhomie 走 Chrome DevTools Protocol(CDP)。它并不优先截图,而是调用 GetFullAxTree 获取可访问性树(a11y tree),格式化成带 uid 的纯文本快照(browser.rs)。
- 一段几百行的文本快照,Token 成本远低于一张图片;
see_page工具默认只返回可交互元素(按钮、链接、输入框),只有显式传screenshot=true才返回图片;- 还做了 stale uid 校验:页面刷新后旧 uid 会失效,模型会收到"请重新快照"的提示,避免基于过期状态误操作。
另一个小细节:浏览器模式下会跳过上下文截图,因为"a11y tree 已经提供了结构,截图是冗余的"(agent.rs)。能不用图就不用图,是最便宜的省 Token 方式。
四、技巧3:旧快照自动摘要——只保留可交互元素
这是标题中"压缩历史快照"的主角。随着任务推进,历史里会积压越来越多旧快照。taskhomie 的策略是:只要出现新快照,就把所有旧快照瘦身。
核心函数 summarize_old_snapshots() 的工作方式:
- 遍历历史消息,找到以
uid=开头且超过 5000 字符的快照文本; - 逐行过滤,只保留可交互角色的行(link、button、textbox、checkbox、combobox、heading 等),删掉大量静态装饰性节点;
- 在开头加一行摘要:
[snapshot summarized: X interactive elements from Y total],让模型知道这是被压缩过的旧状态。
触发时机在 Agent 主循环中(agent.rs):每轮工具结果处理完后检查是否产生了新快照,有则立即压缩旧快照。模型永远优先读"新鲜"的完整快照,历史快照只保留骨架——这正是长任务不爆上下文的关键。
五、技巧4:交给 API 自动清理——context_management 上下文编辑
除了自己动手,taskhomie 还启用了 Anthropic 的 context-management-2025-06-27 beta 能力(api.rs),在每次请求中声明两条编辑规则(api.rs):
clear_thinking_20251015:只保留最近 2 轮的 thinking 推理块,更早的思考直接清除——思考过程对"当下"有价值,对"历史"是噪音;clear_tool_uses_20250919:当输入超过 80000 tokens 时自动清理旧的工具调用结果,只保留最近 5 次,且一次至少腾出 10000 tokens;web_search、web_fetch的结果被排除在外(搜索结论往往后面还要用)。
这两条规则相当于给上下文装了一个"自动垃圾回收器":日常靠技巧 3 瘦身,逼近阈值时由 API 兜底,双保险。
六、技巧5:Prompt Caching 让系统提示词"只付一次钱"
长任务的每轮请求都会重发完整的系统提示词和工具定义。taskhomie 给 system 块打上了 cache_control: ephemeral 缓存标记,并做了一个聪明的分块设计(api.rs):
基础提示词一个块,语音指令单独一个块、且放在后面——这样即使语音配置变化,基础提示词依然可以命中缓存。
代码里还专门打印了 cache HIT / cache WRITE 日志(api.rs),缓存命中时这部分 token 的成本大幅下降。对于 50 轮循环的任务,这是实打实的省钱手段。
七、技巧6:给工具输出和循环上"安全阀"
最后两个小而关键的约束:
- Bash 输出截断:标准输出最多 5000 字符、错误输出最多 2000 字符,超出部分截断并标注
<a href="https://link.gitcode.com/i/3313894f09ebf6c460e4957e865fdb59" target="_blank">truncated, N total chars]([bash.rs)。一条cat大文件不会把上下文炸掉; - 迭代上限:Agent 循环硬编码
MAX_ITERATIONS = 50(agent.rs),防止失控任务无限烧钱; - Token 记账:每一轮的输入/输出/缓存 token 都按
TurnUsage存进 SQLite(storage.rs),对话可持久化恢复,你随时能看清每个 turn 花了多少。
八、总结:一套可复用的省 Token 清单
把 taskhomie 的做法提炼成清单,几乎可以套用到任何 Computer Use / 长任务 Agent:
| 技巧 | 一句话要点 | 参考实现 |
|---|---|---|
| 源头压缩 | 截图先缩放再低质量 JPEG | computer.rs |
| 能不用图就不用图 | 用 a11y 文本快照替代截图 | browser.rs |
| 旧快照摘要 | 历史只留可交互元素骨架 | agent.rs |
| API 自动清理 | 超阈值清除旧 thinking 与 tool_uses | api.rs |
| 提示词缓存 | 稳定的块放前面命中缓存 | api.rs |
| 输出截断 + 迭代上限 | 防止单次输出与循环失控 | bash.rs |
想自己动手实践的话,可以用 npm install 安装依赖,配置 ANTHROPIC_API_KEY 后执行 npm run tauri dev 运行开发环境,然后观察终端里每轮的 Token 日志,看看这些技巧实际省下了多少。
