AI-Wiki

定义

Agent 上下文压缩是指在 AI Agent、coding agent、Claude Code、Hermes、Codex 等长任务工具链中，对不断进入上下文窗口的信息进行选择性管理的机制。它关注的问题不是单次提示词怎么写，而是当任务持续执行、工具不断返回结果时，如何决定哪些信息应继续保留，哪些信息应压缩成更短形式，哪些信息可以直接丢弃。

在来源材料中，这一概念最直接的例子是 fast-jev-compaction。它被描述为一个 Claude Code 插件：每次工具调用后，用 Jev 判断工具调用返回内容中哪些该保留、哪些该压缩、哪些该丢弃，目的明确是减少上下文膨胀。

在本文档中的语境

来源《AI邪修整理了一批 Jev 项目,大家可以参考 - 今日头条摘要》整理了一批围绕 Jev 的项目，其中第 1 项是 fast-jev-compaction，第 8 项是 hermes-jev-skills。它们都把 Jev 放进 Agent 长任务链路中，用来处理上下文、工具调用和操作选择等问题。

在这种语境下，Agent 上下文压缩主要服务于长任务执行：

Agent 会反复调用工具，例如代码检索、命令执行、网页浏览、搜索或外部 API。
每次工具调用都会产生返回内容，这些返回内容可能包含有用结论、冗余日志、错误堆栈、页面片段、搜索结果列表或临时中间结果。
浏览器状态、搜索结果、工具输出、记忆和中间推理如果全部原样放入上下文，会导致上下文持续膨胀。
上下文膨胀会挤占后续任务可用空间，也会增加模型在长历史中定位关键信息的难度。
因此，需要在每次关键输入进入上下文前后进行取舍，而不是无条件保留全部内容。

这也是 fast-jev-compaction 被放在 Agent 上下文压缩词条下解释的原因：它不是一个需要单独建立为“fast-jev-compaction 上下文压缩”的窄概念，而是该机制在 Claude Code 插件形态中的一个具体例子。

关键机制

来源披露的 fast-jev-compaction 机制可以概括为一个发生在工具调用之后的三分类处理流程：

触发点：每次工具调用后
- fast-jev-compaction 是 Claude Code 插件。
- 它不是只在会话开始或结束时运行，而是在每次工具调用完成后介入。
- 介入对象是工具调用结果，也就是工具返回给 Agent 的内容。
判断者：Jev
- 插件使用 Jev 判断返回内容的去留和压缩方式。
- 在来源材料中，Jev被反复用于快速决策、具体选择、工具调用控制、模型路由、上下文压缩等场景。
- 对 fast-jev-compaction 而言，Jev承担的是工具结果筛选与压缩决策层的角色。
处理结果：保留、压缩、丢弃
- 保留：对后续任务仍有直接价值、需要原样进入或继续留在上下文中的内容。
- 压缩：有价值但不需要完整原文的内容，可改写成更短的摘要、要点或结构化记录。
- 丢弃：对后续推理和执行没有必要继续保留的内容，例如重复、临时、无关或已被其他信息覆盖的返回片段。
目的：减少上下文膨胀
- 该插件的目标被明确描述为减少上下文膨胀。
- 这里的“压缩”不仅指把文本变短，也包括通过丢弃无关内容来控制上下文增长。

fast-jev-compaction 的位置

fast-jev-compaction 是来源中列出的第 1 个 Jev 项目。来源对它的描述包含以下确定事实：

它是 Claude Code 插件。
它在每次工具调用后运行。
它使用 Jev判断工具调用返回内容的处理方式。
处理方式分为三类：保留、压缩、丢弃。
它的目标是减少上下文膨胀。

因此，fast-jev-compaction 可以被理解为 Agent 上下文压缩在 coding agent 场景中的插件化实现：当 Claude Code执行任务并不断调用工具时，它把工具结果交给 Jev做取舍，从而避免所有返回内容都原样堆积进上下文。

hermes-jev-skills 的相关事实

来源中第 8 项 hermes-jev-skills 也与 Agent 上下文压缩相关。它被描述为“直接把 Jev接进 Hermes、Claude Code 和 Codex”，覆盖多个能力面：

模型路由
记忆
上下文压缩
Skill 选择
浏览器操作

这说明在来源材料的项目谱系里，上下文压缩不是孤立功能，而是和 Agent 工具调用决策、模型选择、记忆管理、技能选择、浏览器自动化一起构成长任务 Agent 的控制层。hermes-jev-skills 的描述也扩大了适用范围：它不仅面向 Claude Code，还把 Jev接入 Hermes和 Codex。

与 Agent 长任务的关系

Agent 上下文压缩通常出现在任务链条较长、步骤较多的场景中。例如 coding agent 可能先搜索代码，再读取文件，再运行测试，再分析报错，再修改代码；浏览器 Agent 可能先打开页面，再点击控件，再读取页面状态，再搜索补充信息。每一步都会产生新的上下文候选内容。

在这些场景中，需要管理的内容包括但不限于：

工具调用结果：命令输出、文件内容、测试日志、API 返回值。
搜索结果：查询理解、信息源选择、候选结果和筛选后的证据。
浏览器状态：当前页面、可点击元素、表单状态、页面变化和操作历史。
记忆内容：过去任务中保存的偏好、事实或约束。
中间结果：阶段性结论、失败尝试、临时计划和已完成步骤记录。

如果这些内容都不加区分地进入上下文，Agent 会越来越依赖一个庞大且混杂的历史记录。Agent 上下文压缩的作用就是在信息进入或停留于上下文时进行选择性控制，使后续模型调用更集中地看到仍然重要的信息。

细节与边界

来源只披露了 fast-jev-compaction 和 hermes-jev-skills 的功能描述，没有披露其内部实现细节。因此，本词条需要保留以下边界：

来源没有披露 fast-jev-compaction 的具体压缩算法。
来源没有披露 Jev如何给工具调用结果打分或排序。
来源没有披露“保留、压缩、丢弃”三类判断的具体阈值、规则或提示词模板。
来源没有披露上下文窗口策略，例如保留多少 token、何时触发全局压缩、是否按最近性或重要性分层管理。
来源没有披露评测数据，也没有给出与普通摘要压缩、人工规则压缩或其他记忆机制的对比结果。
因此，不能把“Jev一定优于普通摘要压缩”写成已证实事实。
也不能推断 fast-jev-compaction 已经解决所有长上下文问题；来源只说明它用于减少上下文膨胀。

换言之，Agent 上下文压缩在这里是一个有明确应用场景和操作方向的机制，但其效果、算法和工程策略仍需依赖具体实现与评测，而来源材料没有提供这些细节。

Agent 上下文压缩