上下文压缩

智能体面试准备（六十一）：智能体上下文工程 Context Engineering——上下文预算、压缩、优先级与多轮演进前面（五十九）长期记忆、（四十一）记忆架构讲了"记忆怎么存"。本文讲"每次推理把什么放进上下文窗口"——这正是 2025-2026 最热的 Context Engineering。同样的模型，上下文编排好坏，agent 表现能差一个量级。它和提示工程（Prompt Engineering）的区别在于：提示工程雕"一句话"，上下文工程雕"整个窗口的信息结构与取舍"。

【系列：手搓自主 AI Agent：Hermes 架构原理剖析 · 第 5 篇】导读： Agent 跑得越久，上下文越膨胀、故障越频繁。本文拆解 learn-hermes-agent 阶段 1 收官代码：三层递进压缩把 50K tokens 压回可控范围，四类错误路径让 Agent 从崩溃边缘自动恢复。读完你也能写出不失控、不宕机的单 Agent。

带娃的IT创业者

GitHub 热门项目解析：当 AI 编码助手遭遇“上下文爆炸”👋 Hi，我热衷于 (AI 大模型应用落地、Python 实战进阶与 AI 开发工具链）。代表专栏：《AI大模型应知应会短平快系列100篇》《解密OpenClaw》《解码意识NCTransformer》《WeClaw Agent实战》> 💡 创业路上，用技术换时间；欢迎关注我，一起把 AI 变成生产力 🚀 >

【Java/Go后端手撸原生Agent（第八篇）：摘要压缩——让Agent“记要点“而不是“记流水账“】系列目录：[Phase 1-2 基础框架] → [Phase 3 状态机+文件读取] → [Phase 4-6 原生FC+Judge校验] → [Phase 5 多工具并行+BashTool] → [Phase 6 流式输出] → [Phase 7 Token预算与滑动窗口] → Phase 8 摘要压缩（本文）上一篇链接：Java/Go后端手撸原生Agent（第七篇）：Token预算管理 + 滑动窗口上下文裁剪

通用Agent设计：03、大模型Agent上下文压缩实战：从原理到CompactSummarizationMiddleware实现博主介绍：✌目前全网粉丝4W+，csdn博客专家、Java领域优质创作者，博客之星、阿里云平台优质作者、专注于Java后端技术领域。

langchain上下文管理的方式上下文管理是实现复杂推理、工具调用和多轮交互的基础能力。本文将系统梳理上下文管理的核心方法、工程挑战、典型应用场景，并结合 LangChain 框架的设计理念，帮助理解和落地上下文管理系统。

【技术报告解读】DeepSeek-OCR: Contexts Optical Compression我们提出了 DeepSeek-OCR，作为通过光学二维映射压缩长上下文可行性的初步探索。DeepSeek-OCR 由两个组件构成：DeepEncoder 和作为解码器的 DeepSeek3B-MoE-A570M。具体而言，DeepEncoder 作为核心引擎，旨在在高分辨率输入下保持低激活值，同时实现高压缩率，以确保视觉 token 数量可控且高效。实验表明，当文本 token 数量不超过视觉 token 数量的 10 倍（即压缩率小于 10×）时，模型可实现 97% 的 OCR 解码精度。即使在 20×

我是有底线的