核心 GUIDE
Context Compaction（上下文压缩）
Context Compaction 的目标是保留未来决策真正需要的最小任务状态，而不是每一轮都把完整 Interaction History 继续塞进 Prompt。
核心心智模型
Compaction 是带 Preservation Contract 的 Lossy State Transformation。目标不是“把文字变短”，而是在删除不再影响未来行为的细节时，保留 Decision、Constraint、Unresolved Question 与 Evidence Reference。
为什么重要
长对话和 Agent Run 最终都会超过实用 Context Budget。盲目 Truncation 会丢关键约束，通用 Summary 又可能把 ID、不确定性或 Pending Work 压平。可靠 Compaction 必须先定义什么一定要保留，并验证压缩后的状态是否仍能支持后续 Decision。
01
围绕未来 Decision Requirement 做 Compaction
识别 Durable Fact、Active Goal、Constraint、Completed Action、Unresolved Branch 与 Evidence Pointer，把 History 转成结构化 Compact State，并在替换 Active Context 前验证 Required Field 和 Reference。完整 Raw Trace 应单独保留用于 Audit 与 Debug，不要把 Compact State 误当成无损历史。
02
示例：压缩二十步客服 Incident
经历大量 Tool Call 后，Active Context 不再需要每一行中间 Log，但仍必须保留 Customer ID、Policy Version、Refund Operation ID、已验证 Current Status、被排除的 Hypothesis 与 Pending Approval。Runtime 把这些字段压成结构化 State，同时把 Full Trace 留在 Prompt 外。
常见失败模式
- 为了可读性做 Summary，却没有定义必须存活的 State。
- Compaction 后删除 Raw Trace，导致 Audit Evidence 丢失。
- 过早且反复压缩，逐渐产生 Summary-of-summary Distortion。
工程启发
- 先定义 Preservation Schema，再决定用什么 Summarizer。
- Durable Evidence Reference 与 Identifier 尽可能原样保留。
- 以 Downstream Task Success 评估 Compaction，而不是只看 Compression Ratio。
关键结论
- 01Compaction 是在更小 Budget 下保存任务状态。
- 02信息损失必须是有意且可测试的。
- 03Raw Trace 与 Active Compact Context 承担不同责任。
阅读记录
这里只记录你真实做过的动作，不代表掌握、熟练或认证。
用于这些学习路径
这个 Concept 会在多个 canonical 学习路径中复用。
来自 Knowledge Graph 的相关知识点
这些关系直接来自 canonical graph，不维护第二套 Guide 分类体系。