compaction

Oracle AI 和宾大的研究者对数据智能体中的三种上下文工程技术（语义层、编排、压缩）进行系统研究，发现这些技术的效果高度依赖智能体的行为分组（调查者、过早作答者、早期放弃者），某些情况下甚至会损害准确率。

本文提出了 Dostoevsky 系统，通过在压缩（compaction）过程中自适应地移除多余的合并操作，改善基于 LSM-Tree 的键值存储的空间-时间权衡，性能优于现有的压缩策略。

一条推文幽默地将AI中的'压缩'一词比作将Claude物理上放入压缩装置中。

用户描述了在使用pi.dev插件管理本地AI模型的上下文、压缩和内存时遇到的困难，并寻求能够处理不同模型上下文窗口和VRAM限制的解决方案建议。

本文讨论了GPT Astra中的一种新上下文管理策略，该策略避免使用压缩，而是将目标、决策和进度写入服务器端笔记，从而在切换上下文时无需生成对话摘要。

本文主张，AI智能体中的上下文管理应被视为一个生命周期架构问题，并提出了智能体上下文管理框架，包含五个基本要素与一个参考实现，该实现已取得高基准测试分数。

本文解释了 Pi 编码代理中压缩的工作原理，即在上下文窗口接近限制时对旧对话历史进行总结，并详细介绍了 Pi 的具体实现和触发条件。

文章解释了“上下文腐烂”：随着上下文增长，AI 智能体在长任务上表现下降，甚至在窗口未满时就开始退化，并提供了压缩、状态卸载、按需检索等技术来保持可靠性。

作者分析了 Codex 的 Remote Compaction v2 数据流，包括触发条件、请求处理、服务端密文返回和客户端上下文重建的完整流程，指出摘要模型与加密密钥均在 OpenAI 侧。

OpenAI透露，启用保留推理和上下文压缩使GPT-5.6 Sol在ARC-AGI-3基准测试中的得分提升了三倍，凸显了测试框架设置对模型性能测量的显著影响。

OpenAI发现，在API工具中启用保留推理和压缩设置，使GPT-5.6 Sol在ARC-AGI-3基准测试中的得分提高了三倍，同时将输出令牌减少了6倍，表明基准测试性能在很大程度上受工具设计影响。

ARC通过将仅追加存储与有界引用视图分离，提高了长上下文AI智能体的检索效率和准确率，实现了近乎完美的召回率，同时降低了延迟和带宽消耗。

本文识别了自主LLM工具（如Claude Code）中的一种失效模式：会话压缩摘要将超时命令的部分终端输出误解为已确认结果，从而在跨会话和模型版本中传播误报，且未重新验证。

GreptimeDB的Mito2存储引擎采用LSM-tree设计，结合列式Parquet SST、三级扫描剪枝以及TWCS压缩。该博客文章对其架构进行了全面解析。

SelfCompact是一种脚手架方法，让语言模型自主决定何时以及如何压缩长智能体轨迹，相比固定间隔方法，在减少token成本的同时实现了更好的性能。

Snapcompact 是一种技术，它将文本渲染为密集的像素字体图像，用更便宜的图像Token替换文本Token，以极低的输入成本实现近乎逐字逐句的召回。

LANTERN 引入了一个轻量级记忆层，能够在对话压缩后归档对话轮次并检索相关细节，恢复了78.3%丢失的事实，且无需任何LLM调用，性能优于基于MemGPT的方法。

一位用户分享了一个自定义的插件SDK钩子，该钩子逐渐压缩较早的轮次，同时保留最近的轮次不压缩，以防止在长时间OpenClaw会话中上下文窗口耗尽，将重新发送的上下文减少了80%。