长视野的代理任务正逼迫大语言模型（LLM）超出其上下文窗口。为继续任务，代理必须释放上下文空间，这一过程称为上下文压缩。压缩本质上是有损的：代理可能在不自觉的情况下丢失任务约束、指令或先前决策的推理。虽然压缩是编码代理框架的常规组件，但在前沿模型上的系统性研究仍缺乏，尤其是针对真实的长视野任务。
我们固定代理框架 OpenCode，内部实现了五种压缩策略，并在三种前沿模型上分别跑 PaperBench、ProgramBench、PostTrainBench 三套长视野基准。结果显示，两个拥有 1M 上下文长度的模型在不同压缩阈值下性能基本不变；而上下文窗口最小的 GPT‑5.3‑Codex 在 PaperBench 上阈值降低时表现下降，在 PostTrainBench 上的下降不太明显。没有任何压缩方法优于默认的自我摘要，且丢弃更多内容的策略会使部分模型的得分下降最多 20 分，而其他模型几乎不受影响。
更重要的是，压缩会悄然删除任务约束：在 ProgramBench 上，第一次压缩摘要平均丢失约三分之一的防作弊规则，且随着压缩次数单调增加。真实用户‑代理会话（SWE‑chat）中，关于代理工作方式的指令被删除的次数约是构建规格的 6 倍。我们认为当前基准测试对压缩过于友好：目标固定且代理进度保存在磁盘上，除非约束在其他地方出现，否则大多数被压缩掉的信息都可以恢复。
点评