Compaction

上下文壓縮是什麼，跟直接刪掉舊訊息有什麼不同？

上下文壓縮（compaction）指的是把一段已經進行很久的對話或任務歷程，自動整理成一份精簡摘要，取代逐字保留的原始內容，藉此釋放上下文窗口的空間。這跟單純刪除舊訊息不一樣——刪除是直接捨棄資訊，壓縮則是嘗試保留其中的關鍵結論、已達成的共識、還沒解決的問題，只是用更精簡的形式呈現。

對使用者來說，理想的壓縮應該是「看不太出來」的——對話還是能延續下去，模型依然記得前面討論過的重點方向，只是不再逐字保留每一句話的原文。

上下文壓縮為什麼會出現，解決了什麼問題？

即使上下文窗口變得越來越大，長時間執行的任務（例如多輪除錯、長篇研究協作、agent 連續執行數十個步驟）還是有可能把窗口塞滿，或是即使沒塞滿，內容量過大也會導致上下文腐化，讓模型抓取重點的準確率下降。壓縮機制的出現，就是為了在「不中斷任務」的前提下，延長一個對話或任務能持續運作的時間。

對需要長時間運作的 agent 應用來說，這一點特別關鍵：如果每次接近窗口上限就必須整個重啟對話，使用者體驗和任務連貫性都會受到影響，自動壓縮讓系統可以在背景默默處理這件事，不打斷使用者的工作流程。

上下文壓縮具體怎麼運作，有哪些常見做法？

常見的實作方式：一是「滾動式摘要」——當對話累積到接近某個 token 門檻時，把最早期的一段內容摘要成幾句話，取代原文放回上下文，隨對話繼續進行，這個摘要範圍會持續往前推進；二是「選擇性保留」——優先保留使用者明確標記重要、或系統判斷為關鍵決策點的內容，其餘背景性資訊優先壓縮；三是「工具結果精簡」——像是 agent 執行任務時產生的大量中間輸出（例如程式碼執行結果、搜尋結果），通常在完成任務後就會被壓縮成結論性摘要，不需要保留完整原始輸出。

這些做法的共同挑戰在於：壓縮的判斷標準很難完全自動化，如果摘要漏掉了後續會用到的細節，反而會製造新的問題。

上下文壓縮對我有什麼影響，實務上該注意什麼？

如果你在用 Claude 進行長時間任務（長篇寫作協作、多步驟 Agent 工作流），了解壓縮機制存在，能幫助你判斷「模型好像忘記前面的細節」是不是壓縮造成的正常現象，而不是模型出錯。如果發現某個早期確立的重要限制條件（例如「這份文件不能用被動語態」）在對話後段被忽略，很可能是壓縮時這個細節被摘要掉了，這時候直接重新明確講一次，通常比追究原因更有效率。

對於真正關鍵、不能被壓縮遺漏的規則或限制，實務上建議定期在對話中重申，或是把它們獨立整理成一份簡短清單反覆貼上，而不是完全仰賴系統自動判斷什麼該保留。