Context Rot Detection 是一个 MCP（Model Context Protocol）服务，旨在让 AI 智能体对自身的认知状态具有自我感知能力。根据项目描述，每个长时间运行的 AI 智能体都会遭遇“上下文腐烂”（context rot），即随着上下文窗口被填满而出现的可测量性能退化。来自 Chroma、斯坦福（“lost-in-the-middle”）和 Redis 的研究均确认，这是生产级智能体系统中首要的实际故障模式。处于上下文腐烂中的智能体并不知道自己正在退化，只是开始做出更差的决策。该工具为智能体提供对其自身认知健康的实时可见性。
主要能力包括：
- 健康分数（0–100），基于 token 利用率、检索准确性和会话疲劳计算。
- 针对 15+ 个精选模型（Claude、GPT、Gemini、o-series）的模型特定退化曲线。
- 自动解析任何 HuggingFace 模型：传入类似 meta-llama/Llama-3.1-70B 的仓库 ID，即可自动检测上下文窗口，结果缓存在 SQLite 中。
- 基于斯坦福研究的“迷失在中间”风险评分。
- 工具调用负担和会话疲劳分析。
- 可操作的恢复建议——压缩上下文、卸载到记忆、设置检查点、拆分为子任务。
- 按智能体的健康历史追踪（SQLite）。
- 服务级利用率统计。
安装与使用方式：该服务支持 npx（零安装）和 npm（全局安装）。对于 MCP 客户端配置，可以添加到项目根目录的 .mcp.json 中，或添加到 claude_desktop_config.json 中。具体配置示例在提供的资料中未完整展示。
可用工具包括三个：
- check_my_health：分析当前上下文窗口健康状态。建议在长时间会话中定期调用，或在做出关键决策前调用。示例响应在资料中未完整展示。
- get_health_history：检索特定智能体的健康检查历史。
- get_service_stats：获取服务级利用率统计，无需参数。返回总调用次数、唯一智能体数、平均健康分数、模型分布、状态分布以及近期活动（最近一小时/最近 24 小时）。
支持的模型方面，对于任何包含“/”的模型字符串，都会被当作 HuggingFace 仓库 ID 处理。服务器会从仓库获取 config.json，提取上下文窗口大小（max_position_embeddings、n_positions 或 max_seq_len），并生成保守的退化档案：最大 token 的 65% 为退化起始点，最大 token 的 80% 为危险区。结果缓存在 SQLite 中，后续查询即时返回。如果获取失败（网络错误、门控模型、缺少配置），服务器会静默回退到保守默认值。任何不含“/”的无法识别模型字符串也会回退到保守默认值（128K 最大，100K 危险区）。
健康分数是四个信号的加权组合，但资料中未完整列出这四个信号的具体内容。退化曲线源自实证研究：Chroma 的 Context Rot 指出在 200K 模型上质量约在 147K–152K token 时下降；斯坦福的 Lost in the Middle 指出上下文窗口中间位置的信息检索准确率下降；Redis 的 Context Rot 指出长时间运行的智能体存在累积退化效应。
适用场景：适用于长时间运行的 AI 智能体系统，帮助智能体在上下文窗口填充过程中监测自身健康状态，避免因上下文腐烂导致的决策质量下降。限制方面：资料未提供具体的收费、价格、平台、效果或完整使用步骤信息，部分示例响应和配置细节暂未提供。
