Compact

s01 > s02 > s03 > s04 > s05 > [ s06 ] | s07 > s08 > s09 > s10 > s11 > s12

"El contexto se llenará; necesitas una forma de hacer espacio" -- estrategia de compresión de tres capas para sesiones infinitas.

Problema

La ventana de contexto es finita. Un simple read_file en un archivo de 1000 líneas cuesta ~4000 tokens. Después de leer 30 archivos y ejecutar 20 comandos bash, llegas a 100,000+ tokens. El agente no puede trabajar en grandes bases de código sin compresión.

Solución

Tres capas, aumentando en agresividad:

Cada turno:
+------------------+
| Tool call result |
+------------------+
        |
        v
[Capa 1: micro_compact]        (silencioso, cada turno)
  Reemplazar tool_result > 3 turnos viejos
  con "[Previous: used {tool_name}]"
        |
        v
[Check: tokens > 50000?]
   |               |
   no              sí
   |               |
   v               v
continuar    [Capa 2: auto_compact]
              Guardar transcript en .transcripts/
              LLM resume la conversación.
              Reemplazar todos los mensajes con [summary].
                    |
                    v
            [Capa 3: compact tool]
              El modelo llama compact explícitamente.
              Mismo resumen que auto_compact.

Cómo Funciona

1. Capa 1 -- micro_compact: Antes de cada llamada LLM, reemplazar resultados de herramientas antiguos con placeholders.

def micro_compact(messages: list) -> list:
    tool_results = []
    for i, msg in enumerate(messages):
        if msg["role"] == "user" and isinstance(msg.get("content"), list):
            for j, part in enumerate(msg["content"]):
                if isinstance(part, dict) and part.get("type") == "tool_result":
                    tool_results.append((i, j, part))
    if len(tool_results) <= KEEP_RECENT:
        return messages
    for _, _, part in tool_results[:-KEEP_RECENT]:
        if len(part.get("content", "")) > 100:
            part["content"] = f"[Previous: used {tool_name}]"
    return messages

1. Capa 2 -- auto_compact: Cuando los tokens exceden el umbral, guardar el transcript completo en disco, luego pedir al LLM que resuma.

def auto_compact(messages: list) -> list:
    # Save transcript for recovery
    transcript_path = TRANSCRIPT_DIR / f"transcript_{int(time.time())}.jsonl"
    with open(transcript_path, "w") as f:
        for msg in messages:
            f.write(json.dumps(msg, default=str) + "\n")
    # LLM summarizes
    response = client.messages.create(
        model=MODEL,
        messages=[{"role": "user", "content":
            "Summarize this conversation for continuity..."
            + json.dumps(messages, default=str)[:80000]}],
        max_tokens=2000,
    )
    return [
        {"role": "user", "content": f"[Compressed]\n\n{response.content[0].text}"},
        {"role": "assistant", "content": "Understood. Continuing."},
    ]

1. Capa 3 -- manual compact: La herramienta compact dispara el mismo resumen a demanda.

2. La boucle integra las tres:

def agent_loop(messages: list):
    while True:
        micro_compact(messages)                        # Capa 1
        if estimate_tokens(messages) > THRESHOLD:
            messages[:] = auto_compact(messages)       # Capa 2
        response = client.messages.create(...)
        # ... tool execution ...
        if manual_compact:
            messages[:] = auto_compact(messages)       # Capa 3

Los transcripts preservan el historial completo en disco. Nada se pierde realmente -- solo movido fuera del contexto activo.

Qué Cambió Respecto a s05

Componente	Antes (s05)	Después (s06)
Herramientas	5	5 (base + compact)
Gestión contexto	None	Compresión de tres capas
Micro-compact	None	Resultados antiguos -> placeholders
Auto-compact	None	Disparador de umbral de tokens
Transcripts	None	Guardados en .transcripts/

Pruébalo

python agents/s06_context_compact.py

1. Leer cada archivo Python en el directorio agents/ uno por uno (observar micro-compact reemplazar resultados antiguos)
2. Continuar leyendo archivos hasta que la compresión se dispare automáticamente
3. Usar la herramienta compact para comprimir manualmente la conversación