Compact

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

"Il contesto si riempirà; hai bisogno di fare spazio" -- strategia di compressione a tre layer per sessioni infinite.

Problema

La finestra di contesto è finita. Un singolo read_file su un file di 1000 righe costa ~4000 token. Dopo aver letto 30 file ed eseguito 20 comandi bash, raggiungi 100.000+ token. L'agente non può lavorare su codebase grandi senza compressione.

Soluzione

Tre layer, crescente aggressività:

Every turn:
+------------------+
| Tool call result |
+------------------+
        |
        v
[Layer 1: micro_compact]        (silent, every turn)
  Replace tool_result > 3 turns old
  with "[Previous: used {tool_name}]"
        |
        v
[Check: tokens > 50000?]
   |               |
   no              yes
   |               |
   v               v
continue    [Layer 2: auto_compact]
              Save transcript to .transcripts/
              LLM summarizes conversation.
              Replace all messages with [summary].
                    |
                    v
            [Layer 3: compact tool]
              Model calls compact explicitly.
              Same summarization as auto_compact.

Come Funziona

1. Layer 1 -- micro_compact: Prima di ogni chiamata LLM, sostituisci i vecchi risultati degli strumenti con placeholder.

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. Layer 2 -- auto_compact: Quando i token superano la soglia, salva la trascrizione completa su disco, poi chiedi al LLM di riassumere.

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. Layer 3 -- manual compact: Lo strumento compact attiva lo stesso riassunto on demand.

2. Il loop integra tutti e tre:

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

Le trascrizioni preservano la storia completa su disco. Niente va veramente perso -- spostato solo fuori dal contesto attivo.

Cosa è Cambiato da s05

Componente	Prima (s05)	Dopo (s06)
Strumenti	5	5 (base + compact)
Gestione contesto	Nessuno	Compressione tre layer
Micro-compact	Nessuno	Vecchi risultati -> placeholder
Auto-compact	Nessuno	Trigger soglia token
Trascrizioni	Nessuno	Salvate in .transcripts/

Provalo

python agents/s06_context_compact.py

1. Leggi ogni file Python nella directory agents/ uno alla volta (guarda micro-compact sostituire i vecchi risultati)
2. Continua a leggere file fino a quando la compressione si attiva automaticamente
3. Usa lo strumento compact per comprimere manualmente la conversazione