compaction: decider sur le VRAI decompte de tokens (ctx_used du client) au lieu de l'estimation

L'heuristique ~4 char/token sous-estimait le contexte (elle ne voit ni le prompt
systeme injecte ni le gabarit de chat), donc le seuil 75% n'etait jamais franchi.
Le client envoie desormais ctx_used (prompt_tokens_total deja affiche) ; repli sur
l'estimation quand inconnu (terminal).

chat.go

@@ -69,7 +69,7 @@ func cmdChat(args []string) error {
 		caps := globalCaps()
 		// Compaction proactive (façon Hermes) : on résume les vieux tours quand
 		// l'historique dépasse le seuil, au lieu d'imposer un /reset.
-		if compacted, changed := MaybeCompact(context.Background(), msgs, caps); changed {
+		if compacted, changed := MaybeCompact(context.Background(), msgs, caps, 0); changed {
 			msgs = compacted
 			fmt.Println(dim("[contexte compacté pour tenir dans la fenêtre]"))
 		}

compact.go

@@ -96,11 +96,22 @@ func estimateTokens(msgs []Message) int {
 // proactif. Renvoie l'historique (compacté ou inchangé) et un booléen indiquant
 // s'il a changé. À appeler sur l'historique BRUT (avant InjectSkills) pour que
 // le résultat puisse être renvoyé au client sans le préfixe système injecté.
-func MaybeCompact(ctx context.Context, msgs []Message, caps Caps) ([]Message, bool) {
+//
+// knownTokens = taille RÉELLE du contexte au tour précédent (usage.prompt_tokens
+// + tokens générés), telle que rapportée par llama.cpp et affichée par l'UI. On
+// la préfère à estimateTokens() car cette dernière n'est qu'une heuristique et,
+// surtout, ne « voit » pas le prompt système injecté (machine briefing) ni le
+// gabarit de chat — donc elle sous-estime largement le vrai contexte. 0 = inconnu
+// (clients sans compteur, ex. terminal) → repli sur l'estimation.
+func MaybeCompact(ctx context.Context, msgs []Message, caps Caps, knownTokens int) ([]Message, bool) {
 	if !compactEnabled() {
 		return msgs, false
 	}
-	if estimateTokens(msgs) < int(float64(ctxWindow())*compactTriggerFrac) {
+	used := knownTokens
+	if used <= 0 {
+		used = estimateTokens(msgs)
+	}
+	if used < int(float64(ctxWindow())*compactTriggerFrac) {
 		return msgs, false
 	}
 	return compactMessages(ctx, msgs, caps)

ui/index.html

@@ -1445,7 +1445,7 @@ async function send(){
   try{
     const sys=(document.getElementById('sysprompt').value||'').trim();
     const out = sys ? [{role:'system',content:sys}, ...msgs] : msgs;
-    const r=await jfetch('/api/chat',{method:'POST',headers:{'Content-Type':'application/json'},body:JSON.stringify({messages:out}),signal:abortCtrl.signal});
+    const r=await jfetch('/api/chat',{method:'POST',headers:{'Content-Type':'application/json'},body:JSON.stringify({messages:out,ctx_used:CTX_USED}),signal:abortCtrl.signal});
     const reader=r.body.getReader(); const dec=new TextDecoder(); let buf='';
     statsTimer = setInterval(updateStats, 250);
     while(true){

web.go

@@ -783,6 +783,10 @@ type chatReq struct {
 	Skills *bool `json:"skills"`
 	// Override par requête de l'accès internet (outils web). nil = config machine.
 	Internet *bool `json:"internet"`
+	// Taille réelle du contexte au tour précédent (usage.prompt_tokens + tokens
+	// générés), rapportée par le client qui l'affiche déjà. Sert à décider du
+	// compactage sur le VRAI décompte plutôt qu'une estimation. 0 = inconnu.
+	CtxUsed int `json:"ctx_used"`
 }
 
 // sseHeartbeat garde la réponse SSE active en écrivant un commentaire (`: ping`,
@@ -846,7 +850,7 @@ func runChatStream(ctx context.Context, body chatReq, emit func(map[string]any)
 	// le résume AVANT le tour et on renvoie l'historique compacté au client pour
 	// qu'il remplace le sien — évite de re-renvoyer tout à chaque tour.
 	hist := body.Messages
-	if compacted, changed := MaybeCompact(ctx, hist, caps); changed {
+	if compacted, changed := MaybeCompact(ctx, hist, caps, body.CtxUsed); changed {
 		hist = compacted
 		emit(map[string]any{"history_replace": hist})
 	}