（11138期）Agent-Skills-for-Context-Engineering – 长会话智能压缩，保留关键不丢上下文

长会话智能压缩，保留关键不丢上下文 Agent长对话上下文压缩策略指南，提供锚定迭代摘要、评估框架与三阶段工作流，帮助在超长会话中保持关键信息完整性，降低token消耗而非单次请求。 使用说明 核心概述 Context Compression 是一套针对 AI Agent 超长会话（百万级token）的上下文压缩方法论，核心目标是优化 tokens-per-task（完成任务总token消耗）而非单纯的 tokens-per-request。 核心用法 锚定迭代摘要（Anchored Iterative Summarization）：维护结构化持久摘要，包含「会话意图、文件修改、决策记录、当前状态、下一步」五个强制章节。触发压缩时仅对新截断内容做摘要，再增量合并到现有章节。 三阶段压缩工作流： - Research Phase：将架构文档、接口探索压缩为组件依赖分析报告（5M token代码库→2000字规格） - Planning Phase：转换为含函数签名、类型定义、数据流的实现规格 - Implementation Phase：对照规格执行，上下文聚焦规格而非原始代码 基于探针的评估（Probe-Based Evaluation）：用功能性问题测试压缩质量——如「原始错误消息是什么」「修改了哪些文件」「下一步做什么」，替代传统的 ROUGE/相似度指标。 显著优点 结构化强制保留：显式章节作为检查清单，防止文件路径、决策等关键信息静默丢失 质量-压缩率最优平衡：锚定迭代法压缩率 98.6%、质量评分 3.70/5.0，优于不透明压缩（99.3%/3.35）和再生摘要（98.7%/3.44） Artifact Trail 专项认知：明确指出文件追踪是所有压缩方法的最弱维度（2.2-2.5/5.0），建议配合独立索引或脚手架状态追踪 潜在局限 Artifact Trail 难题：即便结构化摘要也难以在百轮以上会话中完整维护「创建了哪些文件、修改了什么、仅读了哪些」 LLM Judge 为桩代码：compression_evaluator.py 中的评估实现为演示 stub，生产环境需接入真实 LLM API 社区来源（T3）：非企业级背书，需自行验证内容适用性 适合人群 构建超长会话 Agent（100+ 轮对话）的开发者 处理超大规模代码库（5M+ token）的 AI 编程工具团队 设计对话记忆系统、评估压缩质量的工程团队 常规风险 信息丢失导致重复探索：压缩过度会触发 re-fetching，反而增加总 token 消耗 幻觉风险：探针测试失败的压缩内容会导致 Agent 猜测或虚构文件状态 评估成本：探针式评估需额外 LLM 调用，增加验证开销 实践建议 在 70-80% 上下文利用率时触发压缩 对关键文件追踪启用独立索引，不依赖通用摘要 监控「重新获取信息频率」作为压缩质量信号 原始说明 This skill should be used when the user asks to "compress context", "summarize conversation history", "implement compaction", "reduce token usage", or mentions context compression, structured summarization, tokens-per-task optimization, or long-running agent sessions exceeding context limits.