LongChat Guard 如何在不知道官方额度的情况下判断长会话风险？
LongChat Guard 不知道 OpenAI 私有的“剩余会话额度”，也不会伪造精确百分比。它在本机测量当前会话，并把它和你亲自确认曾达到会话长度上限的历史会话进行经验比较。
三个核心本地信号
L：当前会话负载
表示当前长会话增长程度的本地估算，不作为“官方 token 数”展示。
R：经验失败参考
来自一个你明确确认曾达到会话长度上限、并且插件能够完整可靠读取的历史会话。R 是本地经验参考，不是 OpenAI 官方上限。
G：整轮增长缓冲
从发送前 L 到 Assistant 完成后的 L 的可靠变化中学习，反映整个用户+Assistant 回合的典型增长，而不是只看 Assistant 单条回复。
可选诊断信息
parser / measurement schema 用来保护计量口径一致性。网页能读取到的模型标签只作为诊断元数据，不决定 R 质量、风险等级、校准有效性或是否需要重新校准。
风险分档怎么形成？
当 R 和 G 都可用时，系统会把当前负载（包括尚未发送的 Composer 草稿）与距离 R 还剩几个典型整轮增长缓冲进行比较，显示“风险较低 / 偏长 / 接近风险 / 高风险”。
如果 G 还没有学够，LongChat Guard 不会人为制造提前预警带；在样本足够前，以 R 作为经验高风险参考。
为什么不用固定阈值？
ChatGPT 网页端没有向普通浏览器扩展公开一个简单、统一、可以诚实称为“官方剩余会话额度”的接口。固定百分比看起来精确，但依据很弱。因此 LongChat Guard 把提醒锚定在用户自己确认的本地失败参考和当前会话的真实增长上。
测量口径变化时怎么办？
parserSchemaVersion 和 measurementSchemaVersion 定义了“怎么量”。如果计量口径发生变化，旧 R 会降为 stale prior，需要重新校准后再恢复确定性风险。模型标签即使缺失或发生变化，也只属于诊断信息，不会让一个计量口径仍一致的校准失效。
隐私与本地证据
只有用户明确同意后才开始监测。用户聊天原文、Assistant 回复原文、输入草稿和附件正文不会持久化保存。本地只保留 pseudonymous 标识/指纹、内部估算、经验参考元数据、整轮增长样本和提醒设置。成功的历史扫描不会留下诊断记录；扫描失败时最多保留 7 天的有限结构诊断，不包含聊天原文和会话网址。
这个方法能告诉你什么？
它能给出“当前长会话是否接近你本机实际观察到的风险区域”的经验信号；不能证明 OpenAI 的精确 token 数、模型上下文窗口、剩余额度、计费额度或统一会话上限。