开场：长任务的失忆问题
一个复杂的编程任务可能需要 Agent 执行数十步操作，产生数万 Token 的对话历史。当上下文窗口快满时，系统面临两难选择：
Option A： 开启新窗口，但新窗口什么都不记得，Agent 会重复已做过的工作。
Option B： 继续在旧窗口工作，但随着 Token 增多，模型的注意力被稀释，表现下降。
这不是理论问题。Claude Code、Cursor、Devin 这些产品每天都在解决这个问题。生产环境已验证三种策略来应对这个根本挑战，让 Agent 能在长任务中保持连贯和高效：Compaction、结构化笔记、子 Agent 架构。
一、Compaction（上下文压缩）
当对话快要触达上下文窗口上限时，用一次 LLM 调用对已有对话做摘要：保留关键信息，丢弃冗余细节，然后在压缩后的上下文上继续工作。
关键决策：选择什么保留、什么丢弃。 这是一个信息论问题：并非所有 Token 都等价，有些信息丢了就无法恢复。
- 低风险操作： 清理旧的 tool call 结果（比如文件列表、搜索输出），这些通常不影响后续推理。
- 高风险操作： 丢弃架构决策的推理过程、未解决的 bug 描述，这些如果丢了，Agent 会重蹈覆辙。
Claude Code 的实践： 保留架构决策和未解决的 bug 信息，丢弃冗余的文件内容输出和已完成任务的中间步骤。
实践 Tip： 压缩时让 LLM 生成的摘要应该是结构化的，自由文本很难快速定位信息。例如：「已完成：[列表] | 未完成：[列表] | 关键决策：[列表] | 已知问题：[列表]」，这样后续推理可以快速找到需要的信息。
二、Structured Note-taking（结构化笔记）
Agent 在执行过程中主动将关键信息写到外部文件，而不仅仅依赖对话历史。当上下文重置（新窗口）后，从笔记文件读回这些信息来恢复记忆。
核心思想： 把短期记忆（上下文窗口）外化为长期记忆（文件系统），实现跨窗口的信息延续。
- Claude Code 的实践： 维护 TODO list 文件，每完成一步就更新，这样即使上下文被压缩或重置，打开 TODO 就知道进度。
- Claude 打宝可梦的案例： Agent 维护一个游戏笔记文件，记录地图位置、已获道具、下一步计划。每次新对话开始时先读这个笔记，实现记忆传递。
关键设计： 笔记格式要固定且结构化，不能是自由散文，否则读回来时还要额外 Token 来理解笔记内容。
对比 Compaction： Compaction 是压缩旧信息继续用，Note-taking 是把信息存到外面以后取用。前者适合连续工作场景，后者适合可能被中断或需要跨 session 延续的场景。两者可以组合使用。
三、Sub-agent Architecture（子 Agent 架构）
主 Agent 把需要深入探索的子任务委派给子 Agent。子 Agent 在自己独立的上下文窗口中工作（可能消耗数万 Token），最终只返回一个精炼的摘要（1000-2000 Token）给主 Agent。
核心价值：关注点分离 + 上下文隔离。 子 Agent 的工作草稿不会污染主 Agent 的上下文。
- Token 经济： 一个子 Agent 可能在内部消耗 30,000 Token 来读代码、分析依赖、做推理，但只向上报告 1,500 Token 的结论。主 Agent 的上下文保持精简。
- 并行优势： 多个子 Agent 可以同时工作，各自探索不同方向，最后由主 Agent 整合。这比单一 Agent 串行探索快得多。
- 真实应用： Cursor 的 background agent、Claude Code 的 Task tool，都是子 Agent 架构的体现。
类比： 想象一个 CEO（主 Agent）让 3 个部门经理（子 Agent）分别调研竞品、分析市场、评估技术。每个经理可能花了一周（大量 Token），但汇报给 CEO 的只是一页 PPT（精炼摘要）。CEO 的认知带宽始终保持在战略层面。
四、JIT Context vs 预加载
预加载（Preloading）： 在对话开始时就把信息塞进上下文——CLAUDE.md / Rules 文件直接载入、用户偏好、项目配置、高频使用的上下文信息。优点：即时可用，无需额外调用；缺点：每次都占 Token，不管用不用得到。
JIT（Just-In-Time 按需获取）： 只在需要时才检索信息到上下文——用 glob/grep 按需搜索文件、用 RAG 检索相关文档、调用 API 获取实时数据。优点：上下文保持精简，只含当前需要的；缺点：多一次工具调用的延迟。
最佳实践：混合策略——高频信息预加载（项目约定、核心规则、用户偏好）+ 长尾信息按需获取（具体文件内容、API 文档、历史记录）。
类比浏览器缓存策略： 热数据放内存缓存（预加载），冷数据放磁盘或网络获取（JIT）。目标是让上下文的命中率最大化：大多数推理所需的信息已经在窗口里，偶尔需要的才动态获取。
结语：三板斧组合使用
| 策略 | 核心思想 | 适用场景 | 代表产品 |
|---|---|---|---|
| Compaction | 压缩旧上下文，保留关键信息继续 | 连续长对话，不会被中断 | Claude Code auto-compact |
| Note-taking | 主动写笔记到外部，跨窗口读回 | 可能中断、需跨 session 延续 | Claude Code TODO、Cursor Rules |
| Sub-agent | 子 Agent 深入探索，只回传摘要 | 需要深度探索但不想污染主上下文 | Cursor Task、Claude Code spawn |
长任务的本质挑战是有限的注意力窗口 vs 无限增长的信息量。压缩、笔记、子 Agent 三板斧，分别解决三个问题：在窗口内保持精简、跨窗口传递记忆、隔离深度探索的噪声。三者组合使用，才能让 Agent 在复杂长任务中保持高效。