压缩 Agent 长会话上下文

可以得到什么

让 Agent 在长任务（多轮工具调用、长时间运行）下仍能维持有效上下文，避免历史消息无限增长导致模型注意力失效或成本失控。

适合哪些情况

• 长会话场景：模型需要持续调用工具、上百轮对话后才能完成任务。
• 多阶段任务：计划—执行—校验—再计划的循环容易让上下文迅速膨胀。
• 跨会话状态恢复：希望 Agent 在压缩历史后仍能继续推理。

需要准备什么

• 已实现含工具调用的最小 Agent 循环。
• 明确"哪些历史必须保留原文、哪些可以压缩成摘要"的策略。
• 摘要生成能力（可复用同一模型或专门的压缩模型）。

常见做法

• 当消息历史超过阈值时，对较早的消息进行摘要或选择性保留（保留工具结果的关键字段、剔除冗余信息）。
• 把摘要作为系统提示或单独消息注入，保持"任务目标 + 关键决策 + 当前进度"的最小信息集合。
• 在需要时配合会话状态文件或 memory bank，恢复跨会话上下文（对照 memory bank（用文件体系恢复 coding agent 跨会话上下文））。

真实案例与教程

• 教学仓库：Learn Claude Code——从最小循环到完整 Harness（shareAI-lab 教学仓库教程摘要）
• 仓库主页：learn-claude-code（从最小循环到完整 Harness 的中文教学仓库）
• 关联方法：渐进式 Agent Harness 工程化（最小循环 → 工具 → 上下文 → 计划 → 子 Agent → Skills → MCP → 团队 → worktree）

限制和检查点

• 摘要会损失细节，关键决策点必须显式保留。
• 上下文压缩不能替代生产系统的审计与恢复机制。
• 摘要质量高度依赖模型本身，需检查是否引入幻觉。

相关任务

• 自己实现一个最小 AI Agent 循环
• 为最小 Agent 添加 Bash 等工具

来源

• SRC-DEV-005：Learn Claude Code——从最小循环到完整 Agent Harness