一分钟读论文：《长程 Agent 记忆中的压缩悬崖》
内容提要
论文发现长程AI代理在上下文压缩时，安全规则与日志同比例被摘要，导致规则保真度骤降，称“压缩悬崖”。提出Knowledge Triage框架，用确定性算子按类型保留知识，显著提升规则保留率，并在医疗、零售等基准上表现更优，同时开源相关语料与实现。
延伸解读
压缩悬崖的成因：安全规则与日志同比例压缩
论文指出，长程Agent在上下文预算溢出时，安全规则与情景日志按同一压缩率被摘要，但安全规则需要逐字精确才能保持可执行。实测中，一轮压缩后仅保留53%的安全规则，五轮后只剩10%。这种保真度断崖被称为“压缩悬崖”，其根源在于压缩器未区分知识类型，导致关键规则被无差别改写。
Knowledge Triage：确定性算子与LLM压缩的对比
Knowledge Triage框架采用分类器将知识分为四类，并用三个确定性算子（TypeCompact、TypeDecompose、TypeRetrieve）处理，而非依赖LLM调用。这与CompactionRL等学习方法形成对比：后者将压缩作为策略学习，而本文通过可验证的规则逻辑保证行为边界，并配有校验器，任何规则缺失即标记为unsafe。
基准测试中的显著提升与统计显著性
在5个语料上，TypeCompact保留的安全规则数是单次LLM压缩器的2-4倍，五轮后recall达96%；TypeDecompose的locality violation为0%，TypeRetrieve的recall@50为100%。下游任务中，医疗合规域p<1e-8，零售任务p<0.01，航空域p=0.024，均显示显著优势。
边界条件与依赖风险
论文明确两个边界：实测仅基于Claude Code /compact提示与Sonnet 4.6的20个配置，其他工具和模型的悬崖高度未知；整套机制依赖分类器正确识别安全规则行，误分类会直接破坏分流策略。因此，实际应用需谨慎评估分类器准确性和跨模型泛化性。
Q&A
什么是“压缩悬崖”？
压缩悬崖（Compaction Cliff）是论文提出的概念，指长程AI代理在上下文压缩时，安全规则与情景日志按同一压缩率被摘要，但安全规则需要逐字精确才能保持可执行，导致规则保真度随压缩轮次累积下降，最终急剧丢失的现象。
压缩悬崖是如何产生的？
当长程代理的上下文预算溢出时，系统会压缩上下文，但安全规则与日志被同等对待，压缩器用摘要方式处理，导致安全规则被改写或丢失，而规则需要精确才能执行，因此保真度下降。
论文提出的Knowledge Triage框架包含哪些核心组件？
Knowledge Triage框架包含一个分类器，将知识分为四种类型，并采用三个确定性算子：TypeCompact（按类型保真度压缩）、TypeDecompose（分解主题并复制规则）、TypeRetrieve（检索时优先返回规则），以及一个校验器检查约束是否存活。
Knowledge Triage框架与CompactionRL有何不同？
Knowledge Triage使用确定性规则逻辑而非LLM调用，保证行为边界可验证；而CompactionRL将压缩能力作为策略学习，两者在方法论上根本不同。
Knowledge Triage在实验中表现如何？
在5个公开语料上，TypeCompact保留的安全规则数是单次LLM压缩器的2-4倍，五轮后recall达96%；TypeDecompose的locality violation为0%；TypeRetrieve的recall@50为100%。下游任务中，医疗合规域p<1e-8，零售任务通过率显著提升，航空域p=0.024。
论文开源了哪些资源？
论文开源了AgentArtifactCorpus，包含来自54,628个GitHub仓库的396,934个agent配置，以及分类器和参考实现。
压缩悬崖与连贯性债务有何关系？
两者互补：连贯性债务指缺失一个事实会损失它支撑的工作，而压缩悬崖显示压缩会主动侵蚀已存在的事实，安全规则是其中一类特殊事实，被摘要改写后失去可执行性。
论文的边界条件是什么？
生产实测仅绑定Claude Code /compact提示与Sonnet 4.6的20个配置，其他工具和模型上的悬崖高度未测；且框架依赖分类器正确识别安全规则行，误分类会破坏分流策略。
