上下文压缩（Context Compaction）

上下文压缩的核心流程：

• 触发条件——当对话 token 数达到上下文窗口的 70-80% 时触发（Claude Code 具体阈值未公开，但泄露源码显示有自动检测机制）
• 压缩模型——使用轻量模型（如 Claude Haiku 或 GPT-4o-mini）对历史对话做摘要，保留关键信息（用户意图、已完成任务、工具调用结果、重要决策）
• 压缩策略——通常保留最近 N 轮完整对话 + 更早对话的摘要，类似操作系统的虚拟内存（活跃页面保留在内存，不活跃页面换出到磁盘）
• 注入方式——将压缩后的摘要作为 system message 或 context prefix 注入下一轮对话。关键挑战是有损压缩的信息丢失——压缩可能丢弃看似不重要但后续需要的细节。Claude Code 的解决方案是保留工具调用结果（因为这是事实性信息）而压缩推理过程（因为这可以重新推导）

2026 年 Agent 架构的核心分歧是 Compaction（OpenAI 路线）vs Sub-Agents（Anthropic 路线）。Compaction 路线：保持单一 Agent，通过压缩历史延长有效上下文。优势：实现简单、保持对话连贯性、无需管理多 Agent 状态。

劣势：压缩必然丢失信息、长任务累积误差、单点故障。Sub-Agents 路线：spawn 多个子代理，每个处理子任务，有独立上下文。优势：无信息丢失、可并行处理、每个子代理专注单一目标。劣势：实现复杂、需要协调机制、子代理间信息传递有开销。

选择建议：对话型任务（客服、助手）选 Compaction——连贯性重要；复杂工程任务（代码重构、研究报告）选 Sub-Agents——并行性和信息完整性重要。Claude Code 实际上两者都用——内部既有 Memory Compaction 机制，也有 Sub-Agent 编排。

从信息论角度看，上下文压缩是对自然语言做有损压缩。Wikipedia 将 Data Compression 定义为「用更少比特编码信息的过程」，分为无损压缩（如 ZIP）和有损压缩（如 JPEG）。上下文压缩属于有损压缩——不可能完美保留所有信息，但目标是保留「语义核心」。

这与人类记忆的压缩机制类似：人类不会记住对话的每个字，但会记住关键决策和结论。好的压缩算法应该保留：(1) 事实性信息（工具返回的数据、用户明确的要求）；(2) 决策链（为什么选择方案 A 而非 B）；(3) 未完成状态（正在进行的任务、待确认的事项）。

可以丢弃的：(1) 冗余的中间推理；(2) 重复的确认信息；(3) 过时的临时数据。这与 lossy compression 的设计理念一致——通过丢弃感知上不重要的信息来大幅减少数据量。