Agent长对话上下文压缩策略指南，提供锚定迭代摘要、评估框架与三阶段工作流，帮助在超长会话中保持关键信息完整性，降低token消耗而非单次请求。
说明：
## 核心概述
Context Compression 是一套针对 AI Agent 超长会话（百万级token）的上下文压缩方法论，核心目标是优化 **tokens-per-task**（完成任务总token消耗）而非单纯的 tokens-per-request。
### 核心用法
1. **锚定迭代摘要（Anchored Iterative Summarization）**：维护结构化持久摘要，包含「会话意图、文件修改、决策记录、当前状态、下一步」五个强制章节。触发压缩时仅对新截断内容做摘要，再增量合并到现有章节。
2. **三阶段压缩工作流**：
– **Research Phase**：将架构文档、接口探索压缩为组件依赖分析报告（5M token代码库→2000字规格）
– **Planning Phase**：转换为含函数签名、类型定义、数据流的实现规格
– **Implementation Phase**：对照规格执行，上下文聚焦规格而非原始代码
3. **基于探针的评估（Probe-Based Evaluation）**：用功能性问题测试压缩质量——如「原始错误消息是什么」「修改了哪些文件」「下一步做什么」，替代传统的 ROUGE/相似度指标。
### 显著优点
– **结构化强制保留**：显式章节作为检查清单，防止文件路径、决策等关键信息静默丢失
– **质量-压缩率最优平衡**：锚定迭代法压缩率 98.6%、质量评分 3.70/5.0，优于不透明压缩（99.3%/3.35）和再生摘要（98.7%/3.44）
– **Artifact Trail 专项认知**：明确指出文件追踪是所有压缩方法的最弱维度（2.2-2.5/5.0），建议配合独立索引或脚手架状态追踪
### 潜在局限
– **Artifact Trail 难题**：即便结构化摘要也难以在百轮以上会话中完整维护「创建了哪些文件、修改了什么、仅读了哪些」
– **LLM Judge 为桩代码**：`compression_evaluator.py` 中的评估实现为演示 stub，生产环境需接入真实 LLM API
– **社区来源（T3）**：非企业级背书，需自行验证内容适用性
### 适合人群
– 构建超长会话 Agent（100+ 轮对话）的开发者
– 处理超大规模代码库（5M+ token）的 AI 编程工具团队
– 设计对话记忆系统、评估压缩质量的工程团队
### 常规风险
– **信息丢失导致重复探索**：压缩过度会触发 re-fetching，反而增加总 token 消耗
– **幻觉风险**：探针测试失败的压缩内容会导致 Agent 猜测或虚构文件状态
– **评估成本**：探针式评估需额外 LLM 调用，增加验证开销
### 实践建议
– 在 70-80% 上下文利用率时触发压缩
– 对关键文件追踪启用独立索引，不依赖通用摘要
– 监控「重新获取信息频率」作为压缩质量信号
