这是 Claude Code 源码学习系列的第三篇。Context Collapse 是四级压缩中最具创新性的设计——它将传统的"同步全文总结"进化为"后台异步多段折叠"，在不阻塞用户的情况下持续维护上下文健康。

Microcompact 是 Claude Code 上下文管理中最轻量的一层。它巧妙地利用了 Anthropic API 的 cache editing 机制，在不破坏 prompt cache、不修改消息体、不调用 LLM的前提下，用零 API 成本实现了工具结果的有效清理。分路径处理——根据缓存是否还热选择策略，不浪费已建立的缓存消息不可变原则——Cached 路径完全不动消息体，所有操作在

Claude Code 的上下文压缩是一个四级递进式防护体系。每轮对话开始前，按顺序执行：二、它解决什么问题？2.1 Compact 做不到的事传统的 Compact（对话总结）只能做一件事：把整个对话前缀替换为一段摘要。Snip 可以从对话中间删除任意消息，不影响前后的消息：2.2 场景举例场景Snip 的作用早期方案被废弃删除讨论废弃方案的那段对话调试过程不再需要删除之类的调试操作重复操作删除

展现了一个工业级Text-to-SQL系统应有的工程素养：✅鲁棒性：断连重连、服务降级、异常捕获✅可维护性：分层架构、清晰命名、详细注释✅可扩展性：模块化设计、配置驱动、插件式标签✅可观测性：进度跟踪、轨迹记录、详细日志优秀的AI应用不仅是算法创新，更是工程艺术的体现。附录：核心代码统计模块行数占比SQL生成与反思~80021%裁判模型评估~60016%数据库执行~2005%工具函数~50013%

本文介绍了一个生产级的智能SQL生成系统n-best候选生成：提高首轮命中率反思纠错机制：自动诊断并修正错误轨迹检索增强：从历史案例中学习系统设计遵循模块化、可扩展、易维护原则，已在实际业务场景中验证有效性。我们相信，这种"生成-验证-反思-学习"的闭环架构，不仅适用于Text-to-SQL任务，也可推广到其他需要高精度生成的AI应用场景。

大模型推理稳定性 = 模型参数 + 解码策略 + 输出上限 + 后端实现的组合问题。把max_tokens限住、把 guided decoding 关掉、避免 0 温度触发奇怪分支。

大模型推理稳定性 = 模型参数 + 解码策略 + 输出上限 + 后端实现的组合问题。把max_tokens限住、把 guided decoding 关掉、避免 0 温度触发奇怪分支。

大模型推理稳定性 = 模型参数 + 解码策略 + 输出上限 + 后端实现的组合问题。把max_tokens限住、把 guided decoding 关掉、避免 0 温度触发奇怪分支。

大模型推理稳定性 = 模型参数 + 解码策略 + 输出上限 + 后端实现的组合问题。把max_tokens限住、把 guided decoding 关掉、避免 0 温度触发奇怪分支。

目标：将 SQL 结果转化为用户友好的答案。操作调用 LLM，输入：原始问题执行结果（表格数据）相关业务上下文（如“不合格率 = NOK / 总样本”）生成简洁、准确、带单位的自然语言回答可选：附上数据来源（“数据来自 QMS_PRODUCT_INSP 表”）✅ 这就是“最后总结回答的 agent”。即使你暂时不做模板化 SQL，也可以让模型先选口径先让模型只输出结构化选择：metric: “订单