By Unbug 
德国帕绍大学（University of Passau）与奥地利 IT:U Linz 合作的论文《The Compaction Cliff in Long-Running AI Agent Memory》（arXiv:2608.22752，2026-08-24 提交）发现：长程 Agent 的上下文预算溢出时，安全规则与情景日志按同一压缩率被摘要，但只有安全规则需要逐字精确才能保持可执行。在 20 个生产 agent 配置上实测 Claude Code 的 /compact 提示（Sonnet 4.6），一轮压缩后仅保留 53% 的安全规则，五轮后只剩 10%。论文将这种随压缩轮次累积的保真度断崖命名为 Compaction Cliff（压缩悬崖）。
Knowledge Triage：按类型分流的知识保留策略
框架的核心是一个分类器，把 agent 知识库的每一行知识归入四种类型之一，每种类型走独立的保留策略；三个确定性算子覆盖上下文管理的三类操作。TypeCompact 按类型保真度原地改写条目，压缩时不丢弃安全规则；TypeDecompose 把大到无法安全压缩的主题拆成子主题，并把跨主题的适用规则复制到每个分区；TypeRetrieve 从外部存储取回条目时，让适用范围内的规则优先于相关性置顶返回。
三个算子都是确定性规则逻辑而非 LLM 调用，这是它与 《CompactionRL——将上下文压缩引入强化学习》 的关键区别：后者把压缩能力作为策略学出来，本文则用可验证的算子保证行为边界。框架还配一个校验器，检查每条约束是否存活；任何一条缺失，输出即被标记为 unsafe。
五个语料与三个下游基准的结果
在 5 个公开语料上，TypeCompact 在每个压缩率下保留的安全规则数都是最强单次 LLM 压缩器的 2-4 倍，五轮后 recall 达 96%。TypeDecompose 的 locality violation（分区破坏主题完整性的比例）为 0%，均匀分区是 93%；TypeRetrieve 的 recall@50 为 100%，最佳单次 LLM 检索器为 73%。
下游行为基准上，医疗合规域对生产 Sonnet 压缩器的 paired McNemar 检验 p < 1e-8（N=200），零售任务通过率击败全策略与分层基线（p < 0.01，N=115），航空域 p = 0.024。论文同时开源 AgentArtifactCorpus：来自 54,628 个公开 GitHub 仓库的 396,934 个 agent 配置，以及分类器与参考实现。
与相关工作及边界条件
该结果与 《七个模型在代码库里记错了同一个地方》 构成互补：连贯性债务证明缺失一个事实恰好损失它支撑的工作，本文则显示压缩会主动侵蚀已存在的事实；安全规则是其中一类特殊事实，被摘要改写后 agent 失去的不是 token 数而是可执行性。对照 《追踪错误生命周期以识别长程Agent轨迹中的关键失败》 对长程轨迹失败模式的刻画，压缩悬崖属于运行期上下文管理层的系统性失效，而非单次推理错误。
边界条件有二：生产实测绑定 Claude Code /compact 提示与 Sonnet 4.6 的 20 个配置，其他工具与模型上的悬崖高度未测；整套机制依赖分类器正确识别安全规则行，误分类会直接破坏分流策略。
一分钟读论文：《只刷干净的数学题，模型反而学会了不拒绝》