新闻详情

新闻详情

首页 / 资讯中心 / 详情

LeanCTX Context Time Machine:如何用git锚定签名快照回放、恢复与共享上下文

发布时间:2026/11/13 4:51:12来源:尧图网络
LeanCTX Context Time Machine:如何用git锚定签名快照回放、恢复与共享上下文
LeanCTX Context Time Machine如何用git锚定签名快照回放、恢复与共享上下文【免费下载链接】lean-ctxLeanCTX — Context Intelligence for AI systems.项目地址: https://gitcode.com/gh_mirrors/le/lean-ctx你是否好奇过你的 AI Agent 在某个 commit 上到底看到了什么为什么它做了那样的决策LeanCTX 的Context Time Machine上下文时间机器正是答案——它把上下文层的瞬时状态变成git 锚定的签名上下文快照Context Snapshot让你可以像 git 一样回放、恢复与共享 AI 的上下文。为什么需要上下文时间机器AI 编码过程中上下文层的状态模型读了什么、为什么读、花了多少 token、被允许碰什么、证明了什么天然是短暂且碎片化的——会话一结束就消失了。Context Time Machine 为这个状态引入了时间轴并提供三个核心动词动词能力一句话解释回放 Replay时间旅行回到任意 commit看到模型当时的完整视野恢复 Restore继续工作把快照里的会话状态合并回当前会话接着干共享 Share团队协作导出签名快照文件别人导入后可离线验证一句话总结别的工具记录的是对话LeanCTX 记录的是上下文——蒸馏、签名、可回放。️快照里到底装了什么一个Context SnapshotCONTEXT_SNAPSHOT_V1格式并不是你仓库的拷贝而是对上下文层在某个 git commit 上的蒸馏、类型化、已签名的投影Git 锚点— 捕获时的 commit SHA、分支名、工作区脏状态模型所见— 从 Context IR 提取的蒸馏视图谱系 lineage记录每次工具调用的输入/输出 token 与压缩比决策与知识— 会话中的决策、项目事实ROI 切片— 记账到此刻的 token 节省与压缩率会话状态— 任务、触碰的文件、进度百分比签名— Ed25519 签名绑定来源身份完整字段定义见 context-snapshot-v1.md核心结构实现位于 types.rs。快速上手7 个命令玩转时间机器所有能力都通过lean-ctx snapshot子命令暴露实现见 snapshot_cmd.rs一键创建签名快照lean-ctx snapshot create --sign # 冻结当前上下文状态并签名创建时builder.rs 会读取实时上下文层、打上 git 锚点digest.rs 计算BLAKE3 内容寻址 ID——同一个状态永远得到同一个 IDID 本身就是内容。浏览时间线lean-ctx snapshot list --json # 按时间倒序列出所有快照 lean-ctx snapshot show id # 查看某个快照的完整蒸馏状态 lean-ctx snapshot verify id # 离线验证签名与完整性时间线是一个只追加、崩溃安全的索引timeline.rs通过parent_id把快照串成链——这就是时间机器的轨道。恢复带着完整记忆回到过去lean-ctx snapshot restore id # 只恢复会话切片 lean-ctx snapshot restore id --git # 同时 checkout 到锚定 commit--git模式带有一个贴心保护工作区有未提交改动时会直接拒绝绝不悄悄丢掉你的劳动成果保护逻辑见 restore.rs。共享只传上下文不传代码lean-ctx snapshot publish id --out ./review.ctxsnapshot.json lean-ctx snapshot import ./review.ctxsnapshot.jsonpublish导出的只是一个签名的 JSON 文件publish.rs——你的仓库、提示词、代码永远不会离开机器接收方import时会自动验证签名被篡改的文件会被拒绝。信任模型离线可验证不靠口头承诺一个验证过的快照能回答两个问题且全部离线完成signing.rs完整性— 内容没被改过BLAKE3 ID 与 Ed25519 签名共同覆盖规范化载荷改动一个字节验证即失败来源— 由持有特定密钥对的机器产生agent_identity.rs 中与节省账本共用的机器级密钥这和 LeanCTX 的节省账本是同一套信任模型——只不过账本回答你省了多少快照回答模型看到了什么、何时看到、花了多少。Token 节省是收据时间机器让这张收据动起来。回放界面Dashboard 的 Time Machine 标签页除了命令行Dashboard 也内置了Time Machine 标签页左右拖动时间线每一帧的详情面板展示 git 锚点、ROI、谱系、账本 Φ 分数与会话全貌。只读的 JSON 控制面 API 实现见 snapshots.rs。和对话记录器有什么本质区别对比无状态代理压缩器飞行中压缩请求的代理没有跨时间的持久状态无法重建三个 commit 前模型看到了什么、为什么对比原始对话记录工具LeanCTX 只存蒸馏、类型化、签名的状态绝不嵌入原始转录——约束本身就是护城河天然隐私友好延伸阅读概念全貌context-time-machine.md用户旅程详解21-context-time-machine.md快照核心模块context_snapshot/从下一个 commit 开始给你的上下文装一台时间机器吧 ⏪【免费下载链接】lean-ctxLeanCTX — Context Intelligence for AI systems.项目地址: https://gitcode.com/gh_mirrors/le/lean-ctx创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/13 0:43:49

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/12 23:59:09

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/12 9:50:02

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/12 9:25:38

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/12 15:57:44

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/13 0:02:27

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉