直接回答：四板斧：滚动摘要（历史对话定期压缩成小结，保留近期原文）、工具结果裁剪（大段返回只留相关字段，原文存档可回查）、结构化状态外置（把“已做/待做/结论”抽成 state 对象，替代自然语言历史）、子 agent 隔离（脏活累活丢子 agent，只回传结论）。核心思想：上下文只放“决策所需信息”，其余存外部可按需取回。

展开解析：细节取舍：滚动摘要的关键是摘要本身的质量——让模型按固定模板总结（目标、已完成步骤、关键发现、待办），每 10~20 步触发一次，近期 2~3 轮保留原文防止摘要丢失细节；工具结果裁剪要在工具设计期就约定（返回里带 summary 字段），事后让模型读全量再总结等于没省；外置状态适合确定性信息（文件清单、任务树），模型每步读最新 state 而非翻历史。更激进的做法是上下文工程化分层：系统层（指令常驻）、状态层（结构化进度）、证据层（当前步骤所需的原始材料）、工作层（最近几轮），各层独立管理配额。坑：摘要是有损压缩，关键细节（某个精确报错信息、某个 ID）被摘要抹掉后模型会编造——重要事实要进 state 对象的字段而不是摘要散文；压缩触发点太早导致模型反复重新探索。监控上下文占用随任务步数的增长曲线，是 Agent 系统必备的健康指标。

追问方向：如何评测压缩策略对任务成功率的影响？KV cache 复用与上下文压缩的关系？

（约 480 字）