上下文管理

先进的多阶段上下文转换工作流，具备验证、质量评估和跨模态集成能力

面向生产系统的企业级上下文版本管理、审计追踪、归档与合规管理

采用树状层级、继承与作用域隔离的多层级上下文组织方式

基于有限状态机的动态上下文状态管理，配以验证与恢复机制

通过连续流、缓冲、流量控制和低延迟更新实现的实时上下文处理

通过草稿区、记录笔记和文件系统集成，系统性地将上下文外部化，实现无限的持久化上下文

通过 RAG、语义搜索和智能上下文管理，动态检索并组装相关上下文

语义压缩、摘要和剪枝技术，在上下文窗口内最大化信息密度

在子智能体和聚焦的上下文窗口之间进行策略性上下文分区，以分解复杂任务

采用近因偏差、相关性评分和智能 token 保留策略的动态窗口管理

由 AI 驱动的语义压缩，运用 Information Lattice Learning 和有损压缩，同时保留语义

Google 的突破性无限上下文处理，采用有界内存和压缩式注意力机制

通过离散、功能化的记忆块与智能缓存策略实现结构化的上下文管理

面向生产级智能体系统的高级键值缓存管理、量化和分布式缓存

系统化的上下文编排，采用类 XML 结构化、动态组装和故障预防

通过监控和恢复机制，防范上下文投毒、干扰和退化

在统一的上下文框架内无缝集成和处理文本、图像、音频和结构化数据

将智能体自身的文件工具与操作系统的文件系统一并视为无界、持久、可由智能体操作的外部记忆。诸如搜索结果、页面转储和大型文件等消耗大量 token 的工具输出会被写入磁盘，并在消息历史中用一段简短引用（一个路径加一行摘要）替代；智能体按需重新读取或 grep 该文件。这使得活跃上下文窗口保持精简、KV 缓存前缀保持稳定，同时保留完整的可恢复性，这一点不同于有损摘要。它有别于 `context-write-patterns`（后者讲授的是缓冲区、向量存储等记忆抽象，而非智能体读写自己的临时文件），也有别于 `plan-todo-recitation`（后者只是这一更大理念中 todo.md 复述的那一部分）。

一种位于框架（harness）或 API 层的原语，一旦超过 token 阈值，就会自动将陈旧内容从活跃上下文窗口中逐出，最常见的做法是精准地将旧的 tool_result 块替换为简短的占位符，同时保持对应的 tool_use 记录完好无损。由于文件读取、搜索命中和 API 转储都可重新获取，它们会以零推理成本被丢弃，仅在后续某一轮确实需要时才重新拉取，从而使 KV 缓存前缀保持稳定，并抵御长循环中的上下文腐烂。Anthropic 将其作为 clear_tool_uses_20250919 和 compact_20260112 发布，据报告在 100 轮的网页搜索评测中减少了约 84% 的 token，并带来 29-39% 的性能提升。与 `context-compress-patterns` 有别：清除会无损地逐出可重新获取的原始结果，而非有损地对其进行摘要；与 `filesystem-as-context` 不同，它无需显式的写盘卸载步骤；与 `memory-forgetting-policies` 不同，它关注的不是让长期记忆衰减，而是修剪工作窗口。