OmniRoute/docs/i18n/id/docs/compression/COMPRESSION_ENGINES.md

Compression Engines (Bahasa Indonesia)

🌐 Languages: 🇺🇸 English · 🇪🇹 am · 🇸🇦 ar · 🇦🇿 az · 🇧🇬 bg · 🇧🇩 bn · 🇨🇿 cs · 🇩🇰 da · 🇩🇪 de · 🇬🇷 el · 🇪🇸 es · 🇪🇪 et · 🇮🇷 fa · 🇫🇮 fi · 🇫🇷 fr · 🇮🇪 ga · 🇮🇳 gu · 🇳🇬 ha · 🇮🇱 he · 🇮🇳 hi · 🇭🇷 hr · 🇭🇺 hu · 🇦🇲 hy · 🇳🇬 ig · 🇮🇹 it · 🇯🇵 ja · 🇬🇪 ka · 🇰🇭 km · 🇮🇳 kn · 🇰🇷 ko · 🇱🇹 lt · 🇱🇻 lv · 🇮🇳 ml · 🇮🇳 mr · 🇲🇾 ms · 🇲🇹 mt · 🇲🇲 my · 🇳🇵 ne · 🇳🇱 nl · 🇳🇴 no · 🇮🇳 or · 🇮🇳 pa · 🇵🇭 phi · 🇵🇱 pl · 🇵🇹 pt · 🇧🇷 pt-BR · 🇷🇴 ro · 🇷🇺 ru · 🇱🇰 si · 🇸🇰 sk · 🇸🇮 sl · 🇷🇸 sr · 🇸🇪 sv · 🇰🇪 sw · 🇮🇳 ta · 🇮🇳 te · 🇹🇭 th · 🇹🇷 tr · 🇺🇦 uk-UA · 🇵🇰 ur · 🇺🇿 uz · 🇻🇳 vi · 🇳🇬 yo · 🇨🇳 zh-CN · 🇹🇼 zh-TW

---

Kompresi OmniRoute dibangun berdasarkan kontrak mesin. Sebuah mode dapat menjalankan satu mesin secara langsung (caveman atau rtk) atau pipeline bertumpuk deterministik yang mengeksekusi beberapa mesin secara berurutan.

Mode

Mode	Jalur mesin	Input yang ditujukan
off	tidak ada	Mempertahankan prompt secara persis
lite	Pembantu ringan Caveman	Pembersihan selalu aktif berisiko rendah
standard	Caveman	Pemadatan prompt bahasa alami
aggressive	Caveman + peringkas riwayat/alat	Sesi obrolan panjang
ultra	Caveman + pembantu pemangkasan	Pemulihan batas konteks
rtk	RTK	Output terminal, shell, build, pengujian, dan git
omniglyph	OmniGlyph	Konteks sebagai gambar pada jalur native penyedia
stacked	Pipeline, default rtk -> caveman	Campuran log alat dan prosa, penghematan maksimum

Profil kompresi OmniGlyph

Mesin omniglyph (paket omniglyph, 1.4.0+) menerima profil semantik bernama, yang ditetapkan secara global melalui omniglyph.profile dalam pengaturan kompresi atau per langkah melalui konfigurasi langkah pipeline bertumpuk:

Profil	Batasan
aggressive	Default. Kebijakan yang diukur oleh bukti yang dipublikasikan — mengubah sistem, dokumentasi alat, dan riwayat padat menjadi gambar
balanced	Mempertahankan status aktif secara native, melindungi 8 giliran terakhir, menciutkan riwayat lama yang telah ditutup
coding-safe	Mempertahankan otoritas, skema alat, dan output alat aktif secara native, melindungi 12 giliran terakhir
passthrough	Merutekan tanpa transformasi; mesin dilewati

Profil adalah batas atas, bukan batas bawah: mergeCompressionProfileOptions dalam paket menolak mengizinkan penggantian oleh pemanggil membuka kembali jalur lossy yang telah ditutup profil, sehingga preserveSystemPrompt: false per langkah tidak dapat mengaktifkan kembali kompresi sistem di bawah coding-safe.

Diukur pada basis kode ini: coding-safe dan balanced menaikkan minCompressChars ke nilai maksimumnya dan mempertahankan sistem, skema alat, serta hasil alat secara native, sehingga sesi yang belum mengakumulasi riwayat akan berhenti pada below_min_chars dan mesin tidak mentransformasi apa pun. Itulah sebabnya default-nya adalah aggressive, bukan profil yang paling aman.

Paket ini menentukan cakupan model dan profilnya sendiri dari konfigurasi lingkungannya. OmniRoute tidak pernah mendelegasikan keputusan tersebut: adapter menetapkan gerbang model ke cakupan paling ketat milik paket, sehingga pengaturan lingkungan host hanya dapat mempersempit daftar izin, tidak pernah memperluasnya melampaui bukti terukur OmniRoute.

Registri Engine

Registri berada di open-sse/services/compression/engines/registry.ts. Engine menyediakan kontrak bersama:

• id: id engine stabil seperti caveman atau rtk
• apply(text, config): jalur eksekusi lama yang digunakan oleh pipeline bertumpuk
• compress(input, config): jalur eksekusi utama yang mengembalikan teks + statistik
• getConfigSchema(): mengembalikan struktur mirip JSON Schema dari konfigurasi yang valid
• validateConfig(config): mengembalikan { valid, errors[] }

Pendaftaran menggunakan registerCompressionEngine(engine) (atau registerEngine untuk kasus lanjutan), yang memanggil assertValidEngine() dan validateConfig(defaultConfig) sebelum menerimanya. Gunakan unregisterCompressionEngine(id) untuk menghapus engine saat runtime.

strategySelector.ts mendaftarkan engine bawaan sebelum kompresi dijalankan. Hal ini memungkinkan pratinjau, kompresi runtime, mode bertumpuk, pengujian, dan engine mendatang menggunakan jalur eksekusi yang sama.

Kompresi deskripsi MCP (terkait)

Registri terpisah mengompresi metadata deskripsi alat MCP pada tingkat registri — lihat open-sse/mcp-server/descriptionCompressor.ts dan MCP-SERVER.md. Registri ini menggunakan kembali aturan Caveman, tetapi beroperasi pada metadata alat, bukan payload permintaan.

Engine bawaan tambahan

Selain Caveman, RTK, dan LLMLingua-2, registri menyediakan beberapa engine lossless / struktural khusus (digunakan oleh pipeline bertumpuk, playground, dan pengujian):

Engine	Id	Fungsinya
CCR	ccr	Content-Compress-Retrieve (H4): mengganti blok teks berurutan yang besar dengan referensi berbasis konten, sehingga blok yang berulang/besar dikirim sekali dan selanjutnya dirujuk.
headroom	headroom	SmartCrusher (H3 + N5): pemadatan tabular lossless untuk payload array JSON homogen menjadi bentuk kolumnar [N rows].
ionizer	ionizer	Pengambilan sampel baris awal/tengah/akhir untuk blok homogen yang sangat besar, dengan menyimpan bagian tengah yang dihilangkan sebagai referensi berbasis konten CCR.
session-dedup	session-dedup	Deduplikasi lintas giliran berbasis konten (terinspirasi TokenMizer): menghilangkan teks yang telah terlihat pada giliran sebelumnya dalam sesi yang sama.

Instruksi protokol pengambilan CCR (#8033): saat pertama kali CCR mengganti ≥1 blok dalam suatu permintaan, engine menambahkan satu pesan system idempoten di awal (diawali dengan sentinel [CCR protocol]) yang mengajarkan kontrak penanda → alat kepada pemanggil: arti penanda [CCR retrieve hash=<24hex> chars=N], bahwa hash harus disalin apa adanya (semua 24 karakter heksadesimal — hash yang salah disalin kemungkinan menjadi penyebab kegagalan "blok tidak ditemukan"), dan bahwa penanda [dedup:ref sha=...] berarti "lihat kembali riwayat", bukan "panggil alat". Catatan tersebut disisipkan hanya ketika tools[] yang diumumkan pemanggil membuktikan bahwa pemanggil benar-benar dapat mengakses omniroute_ccr_retrieve (callerSupportsCcrRetrieve() dalam open-sse/services/compression/engines/ccr/protocolInstruction.ts) — pemanggil biasa yang kompatibel dengan OpenAI tanpa alat tersebut tidak pernah menerima instruksi untuk memanggil sesuatu yang tidak dapat diaksesnya. Idempotensi diberlakukan dengan memindai riwayat pesan untuk mencari sentinel sebelum penyisipan, sehingga permintaan multi-giliran (yang memutar ulang pesan sebelumnya) tidak menumpuk catatan sekali per giliran.

Caveman

Mode Caveman berfokus pada pemadatan semantik prosa normal:

• mempertahankan blok kode, URL, JSON, jalur, dan data terstruktur
• menghapus kata-kata pengisi, ungkapan keraguan, konteks berulang, dan frasa penghubung yang bertele-tele
• mendukung paket aturan berkas yang mengenali bahasa di open-sse/services/compression/rules/
• tetap tersedia melalui mode lama standard, aggressive, dan ultra

Tampilan dasbornya berada di Dashboard -> Context & Cache -> Caveman.

Proyek hulu Caveman melaporkan token keluaran ~75% lebih sedikit, penghematan keluaran rata-rata 65% dalam tolok ukur dengan rentang 22-87%, serta alat kompresi masukan sebesar ~46%. OmniRoute menggunakan angka sisi masukan Caveman saat mendokumentasikan penghematan prompt/konteks bertumpuk; mode keluaran Caveman tetap merupakan fitur perilaku respons yang terpisah.

RTK

Mode RTK berfokus pada keluaran perintah dan alat:

• mendeteksi kelas keluaran seperti git status, git branch, git diff, Vitest/Jest/Pytest, pengujian Cargo/Go, build TypeScript/Vite/Webpack, ESLint, audit/instalasi npm, log Docker, find/grep shell, stack trace, dan log generik
• menerapkan 49 filter JSON dari open-sse/services/compression/engines/rtk/filters/
• mendukung pipeline deklaratif bergaya RTK: penghapusan ANSI, penggantian, penghentian singkat berdasarkan kecocokan keluaran, penghapusan/penyimpanan baris, pemotongan per baris, pemotongan bagian awal/akhir/jumlah baris maksimum, dan fallback saat kosong
• mendukung filter proyek berbasis kepercayaan di .rtk/filters.json dan filter global di DATA_DIR/rtk/filters.json
• menghapus urutan ANSI, derau progres, baris berulang, dan teks standar yang tidak membantu
• mempertahankan kegagalan yang dapat ditindaklanjuti, peringatan, ringkasan, berkas yang berubah, dan konteks bagian akhir
• dapat secara opsional menyimpan keluaran mentah yang telah disunting untuk pemulihan/debugging melalui rute pengelolaan terautentikasi

Tampilan dasbornya berada di Dashboard -> Context & Cache -> RTK.

Detail operasional untuk filter khusus, kepercayaan, verifikasi, dan pemulihan keluaran mentah tersedia di RTK_COMPRESSION.md.

Proyek hulu RTK melaporkan penghematan 60-90% untuk kompresi keluaran perintah. Contoh dalam README-nya menunjukkan sesi Claude Code selama 30 menit berkurang dari ~118,000 token menjadi ~23,900, atau menghemat 79.7%.

LLMLingua-2 (Pemangkasan Semantik)

Mode LLMLingua-2 melakukan pemangkasan token semantik pada prosa menggunakan pengklasifikasi token ONNX berukuran kecil, sebagai pelengkap mesin Caveman dan RTK yang berbasis aturan:

• mengompresi prosa hanya dalam pesan non-sistem; blok kode berpagar dan konstruksi lain yang dipertahankan tidak pernah diubah
• menjalankan backend @atjsh/llmlingua-2 (ONNX melalui @huggingface/transformers) dalam thread pekerja, sehingga inferensi model tidak pernah memblokir event loop permintaan
• dapat ditumpuk (stackPriority 35): dalam pipeline bertumpuk, mode ini berjalan setelah mesin struktural (CCR, session-dedup, headroom, Caveman), tetapi sebelum ultra, karena pemangkasan semantik paling efektif pada teks yang sudah dikompresi secara struktural — mis. rtk -> caveman -> llmlingua
• tetap beroperasi saat terjadi kesalahan apa pun (dependensi opsional tidak tersedia, pembuatan pekerja, pemuatan model, inferensi, atau timeout) → teks asli dikembalikan tanpa perubahan, bukan kesalahan

Lokasi mesin: open-sse/services/compression/engines/llmlingua/. Tampilan dasbornya berada di Dashboard -> Context & Cache -> LLMLingua.

Model

Model default adalah TinyBERT (atjsh/llmlingua-2-js-tinybert-meetingbank, ~57 MB, cepat). Model BERT-base dengan akurasi lebih tinggi (Arcoldd/llmlingua4j-bert-base-onnx, ~710 MB) tersedia melalui kolom model dalam konfigurasi mesin. @huggingface/transformers mengunduh model yang dipilih secara tertunda dari HuggingFace Hub ke ${DATA_DIR}/models/llmlingua pada pemanggilan pertama (modelStore.ts); penimpaan konfigurasi modelPath akan mengarahkannya ke salinan lokal (untuk instalasi offline / terisolasi).

Dependensi opsional & instalasi sesuai permintaan

Stack peer runtime LLMLingua yang dapat dipangkas bersifat opsional. Dua paket dideklarasikan sebagai optionalDependencies dalam package.json dan tetap eksternal pada build produksi (scripts/build/prepublish.ts tidak membundelkannya):

Paket	Versi (pin)	Catatan
@atjsh/llmlingua-2	2.0.5	Paket entri; mendeklarasikan lainnya sebagai peer
js-tiktoken	^1.0.20	Tokenizer

@huggingface/transformers dipatok pada ^4.2.0 (digunakan bersama jalur embedding lokal dan juga ditelusuri ke dalam bundle mandiri); @atjsh/llmlingua-2@2.0.5 menggunakan dependensi peer "^3.5.2 || ^4.0.0" untuk paket tersebut, sehingga Transformers.js v3 dan v4 sama-sama didukung. Sejak 2.0.4, @atjsh/llmlingua-2 tidak lagi memerlukan @tensorflow/tfjs, yang menghapus kontributor tunggal terbesar (TensorFlow.js) dari stack SLM. Hanya dua paket di atas yang merupakan peer SLM yang dapat dipangkas. npm install standar (dev) menginstal stack opsional secara otomatis, kecuali dependensi opsional dihilangkan.

Alasan instalasi sesuai permintaan: paket yang dipublikasikan di npm, bundle mandiri, dan image Docker dikirim tanpa dependensi ini agar tetap ramping. Jika dependensi tersebut tidak tersedia, pemeriksaan dependensi milik pekerja (probe resolusi @atjsh/llmlingua-2 dalam worker.ts) akan gagal dan mesin tetap beroperasi tanpa menampilkan kesalahan — memilih LLMLingua tidak akan melakukan apa pun (teks dikembalikan tanpa perubahan dan tidak ada kesalahan yang dicatat). Untuk mengaktifkannya di lingkungan yang telah dipangkas, instal stack opsional:

# patok ke versi yang dideklarasikan dalam optionalDependencies di package.json
npm install @atjsh/llmlingua-2@2.0.5 js-tiktoken

Penghapusan @tensorflow/tfjs (2.0.4+) meniadakan kontributor yang sebelumnya dominan sebesar ~800 MB — ruang yang tersisa digunakan oleh runtime transformers.js + onnxruntime-node, ditambah model TinyBERT (~57 MB) yang diunduh saat penggunaan pertama (bukan melalui npm).

Per lingkungan:

• Dev / npm install — diinstal secara otomatis kecuali Anda menggunakan --omit=optional (atau --no-optional). Tidak diperlukan tindakan apa pun.
• npm global (npm i -g omniroute) / mandiri — jalankan perintah instalasi di atas di dalam direktori paket yang telah diinstal, atau instal ulang tanpa menghilangkan dependensi opsional.
• Docker — tambahkan perintah instalasi dalam sebuah lapisan image turunan; image yang dipublikasikan sengaja dibuat ramping.
• VPS (PM2) — instal ke dalam node_modules milik aplikasi, lalu mulai ulang proses agar worker memeriksa ulang gate.
• Next mandiri mentah (npm run build → .build/next/standalone/server.js) — trace mandiri TIDAK menyertakan worker maupun dependensi opsional, sehingga engine secara diam-diam terbuka saat gagal. scripts/build/colocate-standalone.mjs menerapkan kembali keduanya (esbuild worker + closure dependensi opsional ke dalam struktur mandiri); skrip ini berjalan secara otomatis melalui hook npm postbuild setelah setiap build. Idempoten, gagal secara lunak ketika dependensi tidak tersedia.

Verifikasi bahwa fitur ini aktif: saat LLMLingua dipilih, prosa nyata benar-benar menyusut (engine tidak lagi terbuka saat gagal), dan permintaan pertama memicu pengunduhan model ke ${DATA_DIR}/models/llmlingua. Gate sengaja hanya memeriksa @atjsh/llmlingua-2 — peer lainnya hanya mendukung ESM dan require.resolve melempar error untuk peer tersebut meskipun tersedia — sehingga worker tetap terbuka saat gagal jika ada peer yang benar-benar tidak tersedia pada waktu import().

Pipeline Bertumpuk

Mode bertumpuk menjalankan langkah-langkah pipeline secara berurutan. Urutan default-nya adalah:

rtk -> caveman

Gunakan ini untuk sesi agen pengodean ketika prompt menggabungkan output perintah dengan prosa dari manusia atau asisten. RTK terlebih dahulu mengurangi log alat yang berisik, lalu Caveman memampatkan bahasa alami yang tersisa.

Langkah-langkah pipeline dikonfigurasi dengan stackedPipeline dalam pengaturan kompresi atau melalui kombinasi kompresi.

Ketika kedua mesin mengurangi payload sama yang memenuhi syarat, penghematannya terakumulasi:

gabungan = 1 - (1 - penghematan RTK) * (1 - penghematan input Caveman)
rata-rata = 1 - (1 - 0.80) * (1 - 0.46) = 89.2%
rentang   = 1 - (1 - 0.60..0.90) * (1 - 0.46) = 78.4-94.6%

Filter Pohon Aksesibilitas MCP

Filter cerdas pohon aksesibilitas MCP adalah lapisan kompresi pascaeksekusi yang berjalan pada hasil alat MCP, bukan pada prompt atau konteks. Filter ini menyasar payload pohon aksesibilitas dan snapshot browser yang panjang, yang dikembalikan oleh alat seperti Playwright, computer-use, dan server MCP otomatisasi browser.

Fungsinya

1. Penghapusan derau — menghapus entri generik/teks kosong (- generic:, - text: "")
2. Penciutan saudara — ketika ≥ collapseThreshold (default 30) baris berurutan merupakan pengulangan struktural, baris-baris tersebut diciutkan menjadi collapseKeepHead (default 10) baris pertama + ringkasan jumlah + collapseKeepTail (default 5) baris terakhir
3. Pelestarian ref — jangkar [ref=eXX] yang diperlukan oleh Playwright/computer-use tidak pernah diubah
4. Pemotongan tegas — jika teks setelah penciutan masih melebihi maxTextChars (default 50.000), teks dipotong dengan petunjuk navigasi agar agen dapat melanjutkan pekerjaan

Lokasi mesin

open-sse/services/compression/engines/mcpAccessibility/
  index.ts            ← titik masuk smartFilterText()
  collapseRepeated.ts ← algoritma penciutan saudara
  constants.ts        ← DEFAULT_MCP_ACCESSIBILITY_CONFIG

Konfigurasi

Dikendalikan oleh compression.mcpAccessibility dalam pengaturan global (migrasi 056). Konfigurasi default:

{
  "enabled": true,
  "maxTextChars": 50000,
  "collapseThreshold": 30,
  "collapseKeepHead": 10,
  "collapseKeepTail": 5,
  "minLengthToProcess": 2000
}

Filter hanya diterapkan pada payload hasil alat yang type-nya adalah "text" dan panjangnya melebihi minLengthToProcess. Filter ini tidak memengaruhi kompresi prompt atau payload permintaan.

Penghematan yang diharapkan

60–80% pada hasil alat snapshot browser, bergantung pada kompleksitas halaman. Algoritma penciutan memiliki kompleksitas O(n) berdasarkan jumlah baris dan menambahkan latensi yang dapat diabaikan.

Perbandingan filter ini dengan mesin kompresi di atas

Aspek	Caveman / RTK / Bertumpuk	Filter aksesibilitas MCP
Sasaran	Prompt / konteks permintaan	Hasil alat MCP
Pemicu	Pengaturan mode kompresi	compression.mcpAccessibility.enabled
Cakupan	Semua pesan SSE	Hanya hasil alat
Jangkar ref	Tidak berlaku	Selalu dipertahankan

---

Kombinasi Kompresi

Kombinasi kompresi adalah profil kompresi bernama yang dapat ditetapkan ke kombinasi perutean:

• compression_combos: menyimpan mode, pipeline, konfigurasi RTK, konfigurasi bahasa, dan penanda default
• compression_combo_assignments: memetakan kombinasi kompresi ke kombinasi perutean
• integrasi runtime menyelesaikan kombinasi kompresi yang ditetapkan sebelum penggantian kombinasi generik
• analitik mencakup compression_combo_id dan engine

Lokasi di dasbor: Dashboard -> Context & Cache -> Compression Combos.

Permukaan API

Rute	Tujuan
/api/settings/compression	Pengaturan kompresi global (mencakup konfigurasi mcpAccessibility)
/api/compression/preview	Pratinjau mode kompresi apa pun
/api/compression/language-packs	Mencantumkan paket bahasa Caveman yang tersedia
/api/context/caveman/config	Alias pengaturan Caveman
/api/context/rtk/config	Default dan pengaturan RTK
/api/context/rtk/filters	Katalog filter RTK
/api/context/rtk/test	Endpoint pratinjau/pengujian RTK
/api/context/rtk/raw-output/[id]	Pemulihan output mentah tersensor yang diautentikasi
/api/context/combos	CRUD kombinasi kompresi
/api/context/combos/[id]/assignments	CRUD penetapan kombinasi perutean
/api/context/analytics	Alias analitik kompresi

Rute pengelolaan memerlukan autentikasi pengelolaan atau pemeriksaan kebijakan kunci API.

Alat MCP

Kompresi menyediakan lima alat MCP:

Alat	Cakupan	Tujuan
omniroute_compression_status	read:compression	Pengaturan, analitik, statistik cache
omniroute_compression_configure	write:compression	Memperbarui pengaturan global
omniroute_set_compression_engine	write:compression	Menetapkan mode dan pipeline opsional
omniroute_list_compression_combos	read:compression	Mencantumkan kombinasi kompresi
omniroute_compression_combo_stats	read:compression	Membaca analitik kombinasi/mesin

Cakupan & pengecualian

Embedding tidak pernah dikompresi. open-sse/handlers/embeddings.ts tidak pernah memanggil mesin kompresi apa pun — isi permintaan/respons diteruskan langsung ke eksekutor tanpa perubahan. Saat ini hal ini bersifat struktural (embedding dan penyelesaian chat memiliki handler yang terpisah), bukan pemeriksaan runtime, tetapi ini berarti kekhawatiran distorsi vektor dalam #8034 tidak memiliki permukaan paparan pada jalur embedding.

Filter pengecualian per model/endpoint (#8034). Untuk penyelesaian chat, operator dapat menentukan ID model / target provider/model yang tidak boleh dikompresi — pengaman yang berguna jika kompresi nantinya dihubungkan lebih dekat ke jalur yang berdekatan dengan embedding, dan secara umum berguna untuk model apa pun yang memerlukan prompt yang sama persis byte demi byte (evaluasi deterministik, prefiks yang sensitif terhadap cache, dan sebagainya).

• Kolom pengaturan: exclusions?: string[] pada konfigurasi kompresi global (GET/PUT /api/settings/compression), dipersistenkan melalui namespace kompresi key_value yang sudah ada (src/lib/db/compression.ts) — tanpa tabel baru.
• Tab dasbor: Dashboard → Compression → Exclusions (/dashboard/compression/exclusions).
• Sintaks pola: * adalah satu-satunya wildcard. Setiap metakarakter regex lain dalam pola di-escape sebelum pencocokan, sehingga gpt-5.6 hanya cocok dengan string literal tersebut, tidak pernah dengan gpt-5x6 (aman dari ReDoS, terbatas, tanpa kuantifier bersarang). Pola dicocokkan tanpa membedakan huruf besar-kecil terhadap ID model saja maupun gabungan provider/model — gpt-5-6, openai/gpt-5-6, dan openai/* semuanya berfungsi, dan * saja mengecualikan setiap model.
• Pencocokan: isCompressionExcluded() / normalizeCompressionExclusions() dalam open-sse/services/compression/exclusions.ts. chatCore.ts memeriksa target yang dikecualikan tepat setelah menyelesaikan pengaturan kompresi, sebelum mesin apa pun dijalankan, dan memperlakukan kecocokan sama persis seperti saat kompresi dinonaktifkan secara global — isi permintaan terbukti identik byte demi byte. Pelewatan dicatat melalui writeCompressionSkip(..., "excluded") agar terlihat dalam analitik.
• Default (daftar kosong/tidak ada): identik dengan perilaku sebelum #8034 — tidak ada yang dikecualikan.

Keterbatasan yang diketahui

• LLMLingua-2 (SLM) memerlukan dependensi opsional yang ditempatkan bersama. Worker hanya berjalan dalam build produksi ketika @atjsh/llmlingua-2 + peer-nya ditempatkan bersama ke dalam dist/node_modules (lihat scripts/build/colocateOptionals.mjs, #4286). Tanpa dependensi tersebut, engine akan mengalami fail-open (mengembalikan teks asli). Resolusi worker tidak lagi bergantung pada import.meta.url (yang gagal dalam bundle mandiri) — resolusi tersebut berpatokan pada cwd runtime / argv[1].
• Paket bahasa Caveman de / fr / ja masih parsial. Paket tersebut menyertakan aturan context + filler + structural, tetapi tidak memiliki paket dedup / ultra, sehingga intensitas ultra tidak lebih kuat daripada full untuk bahasa-bahasa tersebut (paket ini hanya menggunakan aturannya sendiri — tidak ada fallback diam-diam ke aturan dedup/ultra bahasa Inggris, yang dapat merusak teks berbahasa asing). en / es / id / pt-BR sudah lengkap. Kontribusi dedup.json + ultra.json untuk paket parsial sangat diharapkan.
• Telemetri bertumpuk hanya mencantumkan engine yang melakukan kompresi. Langkah pipeline bertumpuk yang engine-nya berjalan tetapi menghasilkan penghematan 0 % akan mengembalikan stats:null, sehingga tidak muncul dalam engineBreakdown — tidak dapat dibedakan dari langkah yang dilewati. Membedakan antara "berjalan, 0 %" dan "dilewati" akan memerlukan perubahan model breakdown dan ditangguhkan.

Validasi

Gate terfokus untuk area ini adalah:

node --import tsx/esm --test tests/unit/compression/rtk-*.test.ts tests/unit/compression/pipeline-integration.test.ts tests/unit/compression/context-compression-api.test.ts
node --import tsx/esm --test tests/unit/compression/*.test.ts tests/golden-set/*.test.ts tests/integration/compression-pipeline.test.ts tests/unit/api/compression/compression-api.test.ts
node --import tsx/esm --test tests/unit/compression/mcpAccessibility*.test.ts
npm run typecheck:core