长期运行AI代理记忆中的压缩悬崖

在AI代理的上下文中，一条安全规则与一份情节日志争夺同一批token。当预算溢出时，两者以相同速率被摘要压缩；而只有规则需要精确措辞才能保持可执行。在20个生产级代理配置上，Claude Code在Sonnet 4.6上的/compact提示在一轮压缩后仅保留53%的安全规则，五轮后仅剩10%。我们将其命名为“压缩悬崖”（Compaction Cliff）。我们用知识分诊（Knowledge Triage）应对它：一个按类型对代理知识库的每一行进行分类、并让每种类型走各自保留策略的框架。三个确定性算子在三类上下文管理操作中实现该分诊：TypeCompact按类型保真度对条目就地重写；TypeDecompose将大到无法安全压缩的主题分区，并把范围内的安全规则复制到各分区；TypeRetrieve从外部存储取回条目，并把范围内规则固定排在相关性之前。在五个公开语料上，TypeCompact在每个压缩比率下保留的安全规则数量都是最强单次LLM压缩器的2–4倍，五轮后召回率96%。TypeDecompose将局部性违规降至0%，而均匀分区下为93%。TypeRetrieve达到100%的recall@50，最好的单次LLM检索器为73%。在三个下游行为基准上，我们在医疗合规上超过生产级Sonnet压缩器（保留性上配对McNemar p<10^-8，N=200），在零售任务通过率上超过全策略与分层基线（p<0.01，N=115），在航空领域超过分层压缩（p=0.024）。我们发布了AgentArtifactCorpus（来自54,628个公开GitHub仓库的396,934个代理配置）、分类器和参考实现。