压缩与隔离

Agent 每调用一次工具，结果就追加进上下文。一次搜索返回几千 token，读一个文件可能上万 token。几十步之后，窗口里大部分是早就用过的旧工具结果。

这会带来三个问题：

• 装不下：超过窗口上限；
• 变笨：第 23 讲（上下文窗口与上下文腐化）讲的上下文腐化，内容越多，越难找准关键信息；
• 变贵：每一步都要把整段历史重新发一遍。

第 22 讲（什么是上下文工程）列过四类策略。本节讲其中的压缩和隔离，外加 Anthropic 文章里的结构化笔记（它属于「写入」，常和压缩配合使用）。

Anthropic 的上下文工程文章说：工具在很早之前就被调用过，Agent 为什么还要再看一遍原始结果？清理工具结果是最安全、最轻量的压缩方式之一。

做法很直接：只保留最近几条工具结果的完整内容。更早的换成一行占位，比如「[已清理：第 12 步搜索结果，结论已记在笔记里]」。

文章的定义是：对话快到窗口上限时，把内容总结一下，再用这份总结开启一个新窗口。它通常是上下文工程里的第一道杠杆。

文章举了 Claude Code 的做法：

1. 把消息历史交给模型，总结压缩出最关键的细节；
2. 保留架构决策、没解决的 bug、实现细节；
3. 丢掉重复的工具输出和消息；
4. 带着这份压缩后的上下文，加上最近访问的 5 个文件，继续干活。

难点在于取舍。压得太狠，会丢掉当时看起来不重要、后来却很关键的细节。文章建议先追求「召回」，把该留的都留下，再逐步去掉多余的。

演示：长任务第 60 步的上下文账（数字为示意）

假设：系统提示 + 工具说明 10k；每步工具结果平均 3k；占位说明 + 简短思考每步 0.2k；窗口 200k。

从 190k 降到 29k，降了约 85%。而且留下的都是「当前要用的」内容。

副作用：第 23 讲（上下文窗口与上下文腐化）讲过，提示缓存要求开头一段完全不变，而摘要、压缩会改变这段前缀，让缓存失效。所以不要每一步都压，攒到一定程度再压一次。

做法是让 Agent 定期把要点写到窗口之外（比如一个 NOTES.md 文件或待办清单），需要时再读回来。文章说这是一种开销很小的持久记忆，并举了两个例子：

• Claude Code 会建待办清单，自定义 Agent 可以维护一个 NOTES.md；
• Claude 玩宝可梦时，在几千步游戏里记下精确的进度，例如「过去 1,234 步一直在 1 号道路练级」。上下文重置后，读一遍自己的笔记就能接着干。

笔记和压缩的区别：

这和第 26 讲（记忆） MemGPT 的「工作上下文」是同一个思路：关键事实单独存放，可以随时改写。

与其让一个 Agent 在同一个窗口里干完所有事，不如让主智能体只管计划和汇总，把具体的搜索、阅读交给子智能体。每个子智能体有自己干净的窗口。

Anthropic 的文章说：每个子智能体可能用几万甚至更多 token 去探索，但只交回浓缩后的总结（通常 1,000–2,000 token）。搜索细节被隔离在子智能体里，主智能体专心综合。

演示：调研「某新能源车企」

• 子智能体 A 查财报，B 查行业新闻，C 查监管公告，每个在自己的窗口里各花约 4 万 token；
• 各交回约 1.5k 的结论；
• 主智能体看到约 3 × 1.5k = 4.5k。如果全在一个窗口里做，要看约 3 × 40k = 12 万 token。

（数字是示意，倍数关系来自上面的 1,000–2,000 token 说法。）

Anthropic 在 2025 年介绍了 Claude 的「Research」功能：主智能体拆出多个子智能体，让它们并行搜索。几个数字：

• 主智能体用 Claude Opus 4、子智能体用 Claude Sonnet 4 的组合，在他们内部的研究评测上比单个 Opus 4 高 90.2%；
• 在 BrowseComp 评测里，token 用量一项就解释了 80% 的表现差异。也就是说，多智能体效果好，很大一部分是因为能用更多 token；
• 代价是：单个 Agent 约用聊天的 4 倍 token，多智能体系统约 15 倍。

文章还提到几条长任务做法，正好对应本节内容：

• 上下文超过 20 万 token 会被截断，所以主智能体先把计划存进 Memory（结构化笔记）；
• 一个阶段做完，就把它总结后存到外部记忆，再开新的子智能体，用干净的上下文继续（压缩 + 隔离）；
• 子智能体把结果写到文件系统，只把轻量的「引用」交回主智能体，避免层层转述时丢信息。

什么时候不该用多智能体：文章说，任务要求所有智能体共享同一份上下文、或者子任务之间依赖很多时（比如大多数编程任务），多智能体目前并不合适。多智能体放在第 32 讲（多智能体）细讲。

• Anthropic, Effective context engineering for AI agents：anthropic.com
• Anthropic, How we built our multi-agent research system, 2025-06-13：anthropic.com