分治：上下文压缩的算法原理
动手实战篇的 Compaction 其实是分治：把长对话切段、各自摘要、再合并。亲手跑一次递归摘要，看信息怎么被层层压缩
本页解决的问题
先给结论「分治：上下文压缩的算法原理」要解决的关键问题是什么？
动手实战篇的 Compaction 其实是分治：把长对话切段、各自摘要、再合并。亲手跑一次递归摘要，看信息怎么被层层压缩
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。
下面是一段你和 AI 讨论装修方案的完整对话，12 条消息约 3600 token，眼看要把上下文窗口塞爆了。点「开始压缩」，留意三幕动作：先切（分成三段）、再治（每段各自收成一条摘要）、最后合（三条摘要并成一条）——顶部的 token 计数器会告诉你压掉了多少。
刚才三幕动作有个正式名字：分治（Divide and Conquer）。教科书里它最出名的代言人是归并排序——把一列数切成小段、每段排好、再两两合并。归并排序排的是数，Compaction 压的是话，骨架一模一样：
✂️ 切成小块
大问题直接解不动，就切成几个小块。归并排序：一列数对半切到只剩单个。Compaction：长对话按话题或轮次切成几段。
🔧 每块各自解决
小块规模小，好办。归并排序：小段各自排好序。Compaction：每段各自摘要——段够短，AI 一口就能读完、总结准。这一步还能并行干，又快一截。
🧩 结果合并
把小块的成果拼回完整答案。归并排序：两段有序数列合成一段。Compaction：几条摘要再合成一条总摘要。段还太多？递归再来一轮——上一课的味道回来了。
⚠️ 摘要是有损压缩——细节会丢
「亲手压一次 · 3600 token 的装修对话」里的算法代价曲线
「下面是一段你和 AI 讨论装修方案的完整对话，12 条消息约 3600 token，眼看要把上下文窗口塞爆了。点「开始压缩」， 留意三幕动作 ：先 切 （分成三段）、再 治 （每段各自收成一条摘要）、最后 合 （三条摘要并成一条）——顶部的 token 计数器会告诉你压掉了多少」真正训练的不是背诵步骤，而是识别重复工作：输入变大时，程序到底多做了多少次比较、移动或递归。
先找重复工作，再谈快慢
「刚才三幕动作有个正式名字： 分治 （Divide and Conquer）。教科书里它最出名的代言人是归并排序——把一列数切成小段、每段排好、再两两合并。」可以拆成输入规模、每轮做什么、以及是否能缩小下一轮范围三个问题。Big-O 是描述增长趋势的语言，不是对每台机器的精确计时；常数、内存和真实数据分布也会影响最终结果。
- 分治 = 切小、各治、再合 ：解不动的大问题，变成一堆肯定解得动的小问题
- Compaction 是分治在 AI 的真身 ：切段 → 各段摘要 → 合并，和归并排序同一副骨架
- 最近的对话最金贵 ：真实 Agent 只压旧的、留新的——保真和省空间永远在交换
别把理论最优当成无条件最优
面对 AI 写出的算法，先用小输入手算一遍，再用逐渐放大的数据做基准测试。这样才能把「把小块的成果拼回完整答案。」从一句结论变成可检查的性能判断。
从「亲手压一次 · 3600 token 的装修对话」走到「概念卡 · 归并排序同款套路」
「亲手压一次 · 3600 token 的装修对话」先把问题落在「下面是一段你和 AI 讨论装修方案的完整对话，12 条消息约 3600 token，眼看要把上下文窗口塞爆了。点「开始压缩」， 留意三幕动作 ：先 切 （分成三段）、再 治 （每段各自收成一条摘要）、最后 合 （三条摘要并成一条）——顶部的 token 计数器会告诉你压掉了多少」上；到了「概念卡 · 归并排序同款套路」，讨论继续推进到「刚才三幕动作有个正式名字： 分治 （Divide and Conquer）。教科书里它最出名的代言人是归并排序——把一列数切成小段、每段排好、再两两合并。 归并排序排的是数，Compaction 压的是话，骨架一模一样」。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
算法题换成真实任务后，先找出重复工作，再问输入规模如何变化，最后用一个小基准验证理论判断。这样不会把复杂度记成脱离场景的标签。
- 「亲手压一次 · 3600 token 的装修对话」：下面是一段你和 AI 讨论装修方案的完整对话，12 条消息约 3600 token，眼看要把上下文窗口塞爆了。点「开始压缩」， 留意三幕动作 ：先 切 （分成三段）、再 治 （每段各自收成一条摘要）、最后 合 （三条摘要并成一条）——顶部的 token 计数器会告诉你压掉了多少
- 「概念卡 · 归并排序同款套路」：刚才三幕动作有个正式名字： 分治 （Divide and Conquer）。教科书里它最出名的代言人是归并排序——把一列数切成小段、每段排好、再两两合并。 归并排序排的是数，Compaction 压的是话，骨架一模一样
- 「最后的要点」：段还太多就递归再压一轮 ：上一课的递归 + 这一课的合并 = 完整的分治
最后的「最后的要点」把讨论落到「段还太多就递归再压一轮 ：上一课的递归 + 这一课的合并 = 完整的分治」。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。
✅ 这一课想和你分享的
- 分治 = 切小、各治、再合：解不动的大问题，变成一堆肯定解得动的小问题
- Compaction 是分治在 AI 的真身：切段 → 各段摘要 → 合并，和归并排序同一副骨架
- 最近的对话最金贵：真实 Agent 只压旧的、留新的——保真和省空间永远在交换
- 压缩有损：「8 万以内」「别用红色」这种关键事实要另存，别指望摘要
- 段还太多就递归再压一轮：上一课的递归 + 这一课的合并 = 完整的分治
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。