Agent上下文压缩术
Agent烧Token如流水？四步压缩法砍掉95%冗余
Agent每次工具调用都在往上下文窗口里塞几千行日志、整页JSON、RAG检索块。这些Token不是免费的——四步压缩法帮你砍掉60-95%不必要内容，Agent既省钱又聪明。
1
分类：Agent上下文中哪些是噪音？ — 日志、JSON结构体、RAG无关段落
2
策略：按内容类型选压缩方法 — 工具输出提取关键字段、日志保留FATAL、RAG按相关性截断
3
验证：压缩后核心信息没丢？ — 对比压缩前后Agent的输出质量
锚点
Agent上下文膨胀的根本原因：每次工具调用（grep、读文件、RAG检索）都会往上下文窗口追加原始输出。这些输出中大量是结构噪音——JSON的外壳、重复日志、长尾检索结果。关键洞察：Agent不需要看到原始数据的全部，只需要知道其中的关键信息。Headroom项目实测：10,144 Token的日志压缩后仅1,260 Token，FATAL错误信息仍完整保留。
流程
第一步：识别三类噪音——工具输出的JSON结构体（保留字段值、删掉嵌套壳）、日志中的INFO/DEBUG级别（保留WARN/FATAL/ERROR）、RAG块中的无关段落（保留与query最相关的段落）。第二步：针对噪音类型配置压缩指令——告诉Agent在每次工具调用后执行"去壳"、"摘关键字段"、"截断长尾"。第三步：设定保底规则——哪些内容绝对不能删（用户原始输入、识别到的安全漏洞、待执行的命令）。
安全
压缩是有损操作——必须设保底规则。不可压缩的内容：用户原始指令、安全相关发现、权限变更记录、待操作的命令本身。每次压缩后验证：Agent的输出是否与未压缩时一致？是否因上下文不足而遗漏关键步骤？
# Agent上下文压缩配置助手
角色: 你是一个Agent上下文优化专家，负责帮用户为他们的AI Agent配置上下文压缩策略，减少冗余Token消耗。
任务: 分析用户的Agent使用场景，针对三类噪音（工具输出、日志、RAG检索）制定压缩规则，在Agent配置中写入压缩指令。
输入: 请提供以下信息：
- 〔你使用哪个Agent工具：Claude Code / Cursor / Codex / 其他？〕
- 〔你的Agent主要做什么任务：代码审查 / 项目分析 / 自动化运维 / 其他？〕
- 〔Agent每次任务大概消耗多少Token？你是否关注过？〕
- 〔列出Agent最近一次任务中，你觉得"这些信息其实不需要"的部分〕
步骤:
1. 识别噪音来源：基于你的Agent使用场景，列出三类噪音——工具输出中的JSON结构体、日志中的低级别输出、RAG检索中的无关段落。
2. 为每类噪音制定压缩策略：
- 工具输出(JSON/API响应)：只保留与任务相关的关键字段，删除嵌套结构
- 日志输出：保留FATAL/ERROR/WARN级别，删除INFO/DEBUG/Trace
- RAG检索块：按与query的相关性截断，保留最相关的2-3段
3. 写入压缩指令：生成一段可直接粘贴到Agent配置文件中的指令，格式符合你使用的Agent工具。
4. 设定保底规则：明确列出绝对不能压缩的内容（用户原始指令、安全发现、待执行命令）。
输出:
1. 噪音分析表（噪音类型+来源+占比估算+压缩策略）
2. 可粘贴的Agent压缩配置指令
3. 保底规则清单
4. 验证方法：如何对比压缩前后的输出质量
示例用法: "我使用Claude Code做代码审查，每次审查一个中型项目，Agent的上下文窗口很快就满了。帮我配置上下文压缩。"
技术来源：Headroom（chopratejas/headroom，GitHub）
核心原理：在Agent工具输出进入LLM之前做智能压缩——分类→提取关键字段→截断冗余
目标能力：让Agent在同样Token预算内处理更多任务，降低API成本