长时程语言模型代理会不断累积交互历史，导致上下文体积膨胀，压缩上下文成为提升执行效率的关键。现有的学习式压缩方法多数依赖下游任务的反馈或求解器的行为，训练过程与特定任务或代理耦合。SumOne 通过掩码重建的方式独立训练摘要模型，使其仅关注保留历史信息。具体做法是：给定已过期历史的摘要，冻结的重建器随机掩码原始轨迹的若干片段，并尝试恢复被掩码的内容。重建误差加上长度惩罚构成任务无关的奖励，使用 GRPO 对摘要模型进行优化。该奖励完全来源于原始轨迹，无需参考摘要或下游任务执行。推理阶段只保留轻量级的摘要器，可即插即用地对任意代理进行上下文压缩，而无需修改代理本身。实验在长时程搜索和软件工程两类任务上系统评估 SumOne。结果显示，在 DeepSearchQA 上估计推理成本降低约 78%，在 SWE‑bench 上降低约 75%，相对完整上下文的绝对误差下降 0.04。同一检查点还能在不同下游模型和代理框架之间直接迁移，无需额外微调。点评：SumOne 通过自监督的掩码重建实现了任务无关的上下文压缩，兼顾压缩率和信息保留，展示了在多任务环境下的即插即用潜力。