Compact 指在 AI 编程与智能体工具中,将过长的对话上下文自动或手动压缩成摘要,从而释放上下文窗口、降低 token 成本的技术机制。它目前主要围绕 Claude Code 的 /compact 与自动压缩(autocompact)功能展开讨论,被视为影响长会话质量与账单开销的关键手段。
Compact 近期进展
当前焦点与观察点
Compact 的核心争议在于信息损失与成本的平衡:压缩过早可能丢失关键细节导致 bug 或返工,压缩过晚则 token 消耗和缓存失效成本飙升。有分析指出,不同任务(如 bug 修复)的 token 消耗差异巨大(CC 成本模型解析),单一压缩策略难以适配所有场景。
更广的上下文管理思路也在兴起。Harrison Chase 分享了 Deep Agents 的上下文管理方法(原文),强调通过结构化记忆与文件系统替代简单压缩;Nvidia 团队的新论文则展示了自动优化框架可节省一半 token(原文)。此外,FIT-GGUF 为 MiniCPM5-2B 提供混合精度量化(原文),微软 VS Code 1.139 版将 Agent 会话首次加载提速约 12 倍(报道),说明行业正在从压缩、缓存、量化、加载多个维度同时压降智能体的运行成本。
总体来看,Compact 正从单一命令演化为「压缩 + 缓存 + 阈值调优」的组合策略,后续观察点包括空闲压缩的实际触发效果、各厂商是否会内建更智能的上下文管理,以及摘要式压缩在长任务中的可靠性边界。