Compaction：85% 阈值与可选 two-pass
核对自动压缩阈值、memory flush、two-pass 和超时预算的真实配置
本页解决的问题
先给结论「Compaction：85% 阈值与可选 two-pass」要解决的关键问题是什么？
核对自动压缩阈值、memory flush、two-pass 和超时预算的真实配置
让这个结论先证明自己值得留下。 把这一页当成决策工具，而不是需要背下来的定义。把概念连到一个真实任务、一个可观察结果，以及一个能改变你判断的失败上。
写下一个问题：试完这个方法后，你能用什么证据回答它？
结论听起来很完整，却没有检查最关键的假设。
记住
CompactionPolicy 的五个真实字段与默认值，并能追到 Agent::should_auto_compact 和 xai-token-estimation 的阈值判断。used × 100 >= context_window × threshold_percent。比较使用饱和乘法，context window 为 0 时返回 false。
auto_compact_threshold_percent: u3285自动压缩阈值百分比。
compact_model: Option<String>None未指定时使用当前 Session 模型。
memory_flush_enabled: boolfalse启用后，压缩前才运行 memory flush turn。
wall_clock_budget_secs: u64300单次压缩的墙钟预算，单位秒。
two_pass_enabled: boolfalse由配置解析后写入；默认走 single-pass 路径。
预先摘要历史前缀
仅在 two_pass_enabled 为 true 时，接近阈值可投机地在后台总结历史前缀，得到 NOTE₁。
总结 NOTE₁ 与近期尾部
正式压缩时把 NOTE₁ 与 recent tail 组合后再次总结。配置为 false 时保留原有 single-pass 路径。
fn default() -> Self {
Self {
auto_compact_threshold_percent: 85,
compact_model: None,
memory_flush_enabled: false,
wall_clock_budget_secs: 300,
two_pass_enabled: false,
}
}
}
used: u64,
context_window: u64,
threshold_percent: u8,
) -> bool {
if context_window == 0 { return false; }
used.saturating_mul(100) >=
context_window.saturating_mul(
threshold_percent as u64
)
}
Agent::should_auto_compact 接收 total_tokens 与 NonZeroU64 context_window，再调用 xai_token_estimation::exceeds_threshold。策略结构体本身没有虚构的 should_compact(&self, usage: f64) 方法。.git 元数据，因此不声称对应某个 commit 版本。手算边界
context window 为 100,000，阈值 85。判断 84,999、85,000、90,000 tokens 是否触发。再说明开启 two_pass_enabled 会改变压缩路径，但不会把默认值改成 true。
「核心视觉 · 自动压缩阈值」如何改变一次回答
「used × 100 >= context_window × threshold_percent 。比较使用饱和乘法，context window 为 0 时返回 false」说明，模型处理的不是我们眼中的“字数”，而是一段段 Token。Token 的切分方式会影响输入长度、上下文能放下多少内容，以及一次请求要花多少计算。
长度、信息量和上下文不是一回事
当「仅在 two_pass_enabled 为 true 时，接近阈值可投机地在后台总结历史前缀，得到 NOTE₁」变长时，先要分清三件事：文字被切成多少 Token、哪些内容真正参与当前判断、以及旧内容是否已经超出上下文窗口。删掉重复说明通常比单纯把窗口开得更大更有效。
先保留会改变判断的内容
可以用「context window 为 100,000，阈值 85。判断 84,999、85,000、90,000 tokens 是否触发。再说明开启 two_pass_enabled 会改变压缩路径，但不会把默认值改成 true」做一次对照：保留同样的问题，分别删掉重复背景、压缩格式和移除无关历史，比较答案质量、延迟与 Token 数量。
从「核心视觉 · 自动压缩阈值」走到「CompactionPolicy 默认值」
「核心视觉 · 自动压缩阈值」先把问题落在「used × 100 >= context_window × threshold_percent 。比较使用饱和乘法，context window 为 0 时返回 false」上；到了「CompactionPolicy 默认值」，讨论继续推进到「启用后，压缩前才运行 memory flush turn」。两段连起来，重点就不只是记住一个结论，而是看清它成立所依赖的条件。
把这条判断带到下一个场景
处理长文本时，先保留会改变结论的内容，再决定如何压缩格式和历史；上下文更长只有在新增信息真正有用时才值得付出代价。
- 「核心视觉 · 自动压缩阈值」：used × 100 >= context_window × threshold_percent 。比较使用饱和乘法，context window 为 0 时返回 false
- 「CompactionPolicy 默认值」：启用后，压缩前才运行 memory flush turn
- 「手算边界」：context window 为 100,000，阈值 85。判断 84,999、85,000、90,000 tokens 是否触发。再说明开启 two_pass_enabled 会改变压缩路径，但不会把默认值改成 true
最后的「手算边界」把讨论落到「context window 为 100,000，阈值 85。判断 84,999、85,000、90,000 tokens 是否触发。再说明开启 two_pass_enabled 会改变压缩路径，但不会把默认值改成 true」。回看这条线索时，最值得保留的是：当输入、规模或风险改变，哪些判断需要重新做一遍。
我把这篇文章里的一个判断改写成了今天可以验证的小实验。比记住结论更有用的是，知道下一步要观察什么。
读完以后我先回头找它成立的条件，而不是直接把方法搬进项目。这个顺序让后面的取舍清楚很多。
如果把这个判断放到真实工作里，最先需要补的约束是什么？我想知道从阅读到第一次实践之间，哪一步最值得先做。
还没有这篇文章的讨论。