长任务 Agent 的头号隐性成本不是算力，而是「上下文窗口」。一个跑了几十轮的 Agent，历史里塞满了已完成的子步骤、已读过的文件、已淘汰的中间推理，如果不处理，要么被窗口硬截断丢信息，要么 token 账单失控。OpenAI 把 Compaction 提升为核心概念，正是承认了这一点：压缩不是可选的优化，而是长任务 Agent 的基础能力。它与 Conversation state（会话状态）和 Counting tokens（token 计数）并列，说明「压缩」必须和「状态管理」「成本计量」协同设计——压缩掉什么、保留什么、什么时候触发，都是需要明确语义的工程决策，而不是让模型「自己看着办」。
对《从零到精通 Agent Harness》的学习者，Compaction 是「记忆与上下文管理」这一章的核心案例：短期上下文窗口是易失的、受硬上限约束，长期记忆应当落到知识图谱或外部存储里。压缩策略的选择——按重要性保留、按时间衰减、还是让 Agent 自己总结——直接决定长任务 Agent 的质量和成本曲线。对《从零上手 Codex》的学习者，最实用的一条是学会观察 token 消耗：当一次长会话开始变慢、变贵，往往不是模型问题，而是上下文管理没跟上。理解 Compaction，是让 Agent 从「能跑一次」走向「能稳定跑长任务」的分水岭。