Cline v3.25 已正式发布，新版本通过引入 Deep Planning、Focus Chain 和 Auto Compact 三大核心系统，以解决大语言模型（LLMs）在多轮长对话中因上下文累积导致的“中间遗忘” ("lost in the middle")和性能衰退问题。
这三大系统如同一个分工明确的团队：
- Deep Planning 负责“战略规划”与上下文压缩；
- Focus Chain 保持“战术执行”的一致性；
- Auto Compact 则负责“战场清理”，确保资源高效流动。
文章指出，当任务变得越来越复杂且涉及多轮交互时，LLM 的性能会显著下降。这并非仅仅因为上下文长度不足，而是“中间内容”的噪音逐渐掩盖了原始任务意图，从而引发语义偏离或幻觉。
为了解决“长上下文多轮任务偏离”的问题，Cline v3.25 引入了三大协同机制：
1. Deep Planning — 打好基础，避免污染
- 使用
/deep-planning 命令后，Cline 会先非冗余地全面探索项目（grep、分析依赖、阅读文件等），构建项目“心智模型”。
- 接着向用户提问澄清歧义，并生成统一的
implementation_plan.md，保存到项目根目录。
- 最后，启动一个全新任务，仅载入核心上下文（关键文件 + 计划文件），避免早期探索中的多余噪音污染实现阶段。
这样，实施阶段从一个纯净、高价值的上下文切入，从而维持最优性能。
2. Focus Chain — 稳定任务方向
- 默认启用，Cline 自动从任务中生成待办清单（todo list），并每 六条消息定期注入上下文中，以提醒自己当前进度与目标。
- 待办清单内容会随着任务进展自动更新：完成项被标记、新任务加入、优先级调整，确保模型不会偏离主线 。
3. Auto Compact — 自动压缩上下文，延续任务
- 当上下文接近极限时，Cline 会自动总结当前会话的关键内容（技术决策、代码变化、进度等），并将其压缩为摘要，替换掉膨胀的历史记录，然后继续任务。
- 例如，一个需要 500 万 token 的任务，在 20 万 token 的上下文窗口下也能顺利完成。配合 Claude 4 Sonnet 的 100 万 token 窗口，显得尤为高效。
其他 v3.25 更新亮点
- 增加了对 Claude Sonnet 4（200k context window）的支持（OpenRouter 和 Cline Providers）；
- 支持自定义 Requesty Provider 的 base URL；
- 修复了 checklist 更新过程中重复执行
attempt_completion 的 bug；
- 修复 Banner 无法关闭的问题；
- 在 AWS Bedrock 中加入了 GPT-OSS 模型支持。
