论文提出SELFCOMPACT方法，让语言模型自主决定上下文压缩的时机与方式：模型可调用压缩工具总结累积内容，并依据轻量规则判断触发时机（子任务完成或轨迹收敛）与抑制时机（推导中或卡住）。在六个基准、七个模型上，该方法以更低token成本达到或超过固定间隔摘要，数学任务最高提升18.1分，智能搜索提升5–9分，成本降低30–70%。

Jev API 实用开源项目清单包括：jev-ultrafast 高速浏览器 Agent；fast-jev-compaction 与 Winnow 用于上下文压缩和垃圾回收；json-render 生成式 UI；typesafe-mcp、jev-mcp 接入 Claude 等工具；SemDecide 命令行分类评分；jev-codex-router 根据任务难度选择模型；jev-review 筛选高风险代码变更；Blink 导航代码仓库。

Jev上下文引擎集成Hermes Agent，通过逐条判断工具调用及结果是否保留来替代传统摘要压缩。实测上下文减少约75%至82%，用户和助手消息原文不动，仅移除旧工具结果，并支持expand工具找回原文。代价是压缩越激进，Agent回头检索次数越多，误判率成为关键指标。

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。

FrontierAgent是Apodex开源的agent运行时，针对长程agent失败的两个量化问题：上下文压缩触发过晚导致子agent被端点拒绝，以及压缩后模型重复发送相同搜索。解决方案包括投影下一次请求大小触发压缩，以及通过观察者回滚重复工具调用。文章还涉及任务板、路径授权等细节，强调基于真实失败数据设计机制。

本文介绍Hermes Agent的长会话架构，核心是稳定Prompt前缀以命中缓存、分层压缩上下文（保留头尾总结中段）、用SessionDB存储快照，并通过SQLite租约机制防止多进程并发写坏历史。压缩失败时有回退或暂停策略，确保长期会话的可靠性与可恢复性。

OpenAI发现GPT-5.6 Sol在ARC-AGI-3基准测试中得分低，源于官方框架丢弃推理和滚动截断，而非模型能力不足。启用推理保留和上下文压缩后，得分从7.8%升至38.3%，输出token减少六倍。这揭示基准测试测的是框架记忆管理，而非模型智商，建议评估应使用更贴近实际场景的设置。

本文介绍了CompactionRL，一种将上下文压缩机制融入强化学习的方法。该方法通过联合优化任务执行和摘要生成，帮助长程Agent在复杂任务中有效管理信息，提升性能。实验结果表明，CompactionRL在多个基准上表现优异，并成功应用于GLM-5.2模型的生产级训练，展示了其在工业界的实用性和可扩展性。

文章讨论了上下文压缩在长时间任务中的重要性，指出随着会话历史的增加，代理可能会遗忘之前的信息，导致性能下降。上下文压缩通过将会话内容浓缩为结构化表示，帮助代理在保持性能的同时继续工作。文章介绍了可逆压缩和有损摘要等不同压缩策略，并强调了Redis Iris在实时上下文管理中的作用，提供高效的内存、检索和数据集成解决方案。

Anthropic发布了Claude Opus 4.6，采用动态编排技术，解决了长时间工作中的上下文退化和过度思考问题。新版本引入自适应思维控制和上下文压缩，支持更深的思维链。Opus 4.6在多个云平台上可用，最大输出128K令牌，1M令牌的上下文窗口提升了性能。尽管在某些任务上表现不佳，但在多个评估中仍取得领先成绩。

Anthropic推出Claude Sonnet 4.6，性能接近Opus 4.6，但价格更低。该模型在办公和编码任务中表现优异，成为开发者的首选，并支持上下文压缩和自适应思维，现为claude.ai的默认模型。

上下文工程是优化大型语言模型（LLM）性能的学科，专注于输入设计与组织，通过提供丰富的上下文信息来提高模型输出的准确性和相关性。关键技术包括系统提示优化、提示组合和上下文压缩。尽管面临延迟和工具互操作性等挑战，掌握上下文构建将是提升模型智能的关键。