feat: 模块化 token 计数，各 provider 使用精确 tokenizer 优化 context compaction

[YSMsimon]

问题

目前 token 数量通过简单的字符数启发式算法估算（发送请求前本地预估），
不同 provider 的 tokenizer 差异较大，导致 context compaction 触发时机不准确：

• 估算偏小 → 超出模型上下文窗口，触发 API 错误
• 估算偏大 → 过早压缩，浪费有效上下文

建议方案

将 token 计数逻辑模块化，每个 provider 在自己的模块中实现 countTokens(messages) 方法，
adapter.js 统一分发调用。

各 provider 实现方式

Provider	方案	精度
DeepSeek / OpenAI / Groq / Gemini	tiktoken (cl100k_base)，本地计算，无需 API 调用	高
Anthropic	client.beta.messages.countTokens()，官方 SDK，精确	精确
Ollama	保留启发式估算作为 fallback	近似

代码结构

src/api/
├── openai-client.js → tiktoken 本地计算
├── anthropic-client.js → SDK countTokens()
└── adapter.js → 统一分发 countTokens(provider, messages)

好处

• compaction 触发时机更准确，充分利用上下文窗口
• 各 provider token 计算逻辑内聚，新增 provider 只需实现对应方法
• 对用户透明，无感知，自动生效

相关文件

• src/api/adapter.js
• src/api/openai-client.js
• src/api/anthropic-client.js
• src/chat/agent-loop.js（compaction 触发逻辑）

优先级建议

先实现 DeepSeek（主要用户群）+ Anthropic（已有 SDK），
其他 provider 保留现有 heuristic 作为 fallback。