2.5 上下文分层压缩与防腐烂策略
本节要点：理解为什么即使上下文窗口足够大，依然必须进行压缩；掌握“上下文腐烂 (Context Rot)”与“上下文焦虑 (Context Anxiety)”的底层机理；透视 Experiment 2-10 六大压缩策略对比与 Claude Code 生产级五层压缩漏斗；掌握终极优化模式——“以隔离代替压缩 (Sub-Agent Context Isolation)”。
1. 为什么压缩不仅是长度问题？三大驱动力
很多开发者误以为：只要云厂商把上下文窗口开放到 200 万 Token（2M），我们就不需要做上下文压缩了。这是极其危险的误解！
Context Overflow（溢出） vs Context Rot（上下文腐烂）
- Context Overflow (溢出)：超出了物理 Token 上限，系统直接返回 400 报错崩溃。这是显性错误。
- Context Rot (上下文腐烂)：装得下，但找不到了。随着无用工具输出（如几千行未筛选的 HTML）充满窗口，注意力被严重稀释，模型原本敏锐的推理与规范遵循能力悄然衰退，陷入原地打转。这是隐性致命慢性病。
2. 六大压缩策略实战量化对比 (Experiment 2-10)
《AI Agents in Depth》通过“追踪 OpenAI 联合创始人去向”的长程调研任务，测试了 6 种压缩方案：
🏆 核心技术突破：Context-Aware Compression（上下文感知压缩）
压缩不是简单地让模型对大段文字做无目的概括。在压缩 Prompt 中明确传入：
当前搜索目标是：{query}以及当前已知事实是：{context}。
模型便能精准剔除噪声，将 15 万字符压缩为 2000 字符，同时百分之百保留后续决策所需的核心人名与职务变动！
3. 生产级五层阶梯压缩漏斗 (Claude Code 实践)
4. 终极范式：以隔离代替压缩 (Sub-Agent Context Isolation)
压缩是信息已经进入上下文后、不得不付出的“有损补救措施”。 更高级的系统架构，是在噪音进入主上下文之前就将其彻底隔绝！
- 工程成效：主 Agent 的上下文只有一进一出两条干净消息，前缀 KV Cache 毫发无损，探索过程中的成千上万行代码垃圾随 Sub-Agent 的销毁而直接释放。
5. 随堂巩固自测
Interactive Practice · 概念巩固
在复杂长程任务中，为什么采用 Sub-Agent 上下文隔离（Context Isolation）往往比在单体 Agent 中频繁执行上下文压缩更为优越？
📚 权威拓展与延伸阅读
- 📖 教材章节：《AI Agents in Depth: Design Principles and Engineering Practice》（李博杰，2026）第 2 章第 2.7 节与 Experiment 2-10。
- 📑 速查手册：Agent 核心架构与设计公式速查
- ➡️ 第二章全部小课已修完！接下来我们将对第 2 章进行课程合理性 Review，并进入第 3 章！
Last updated on