用途：在把文本上下文交给语言模型前，将其压缩至指定 token 预算，尽量保留任务相关的关键信息，如决策、证据、约束与未决问题。上下文已能放入窗口时可跳过压缩。
主要能力：提供多种压缩策略——抽取式摘要（保留原句措辞，适合法律、医疗、代码等需要精确的场景）、生成式摘要（改写更短，需配合校验）、要点抽取（只保留实体、事实与数据，压缩率常超 90%）、选择性剪枝（删除样板、问候语与重复内容），以及跨多来源动态分配 token 预算。
使用方式：提供原始上下文文本与目标 token 预算，返回符合预算的压缩版本；可选指定压缩策略（extractive、abstractive、key-points 或 auto），以及必须保留的关键词或实体列表。
适用场景：问答任务前的文档压缩、长对话历史压缩（保留最近 2–3 轮原文，较早轮次做摘要）、RAG 检索片段按相关度分配预算等。
限制与注意：压缩可能丢失信息，应逐步进行——先轻度剪枝并测量，仍超预算再加重手段。数字、专有名词、日期与代码标识符应优先保留；代码宜用抽取式而非生成式摘要。压缩结果应标注为已摘要，让模型据此调整置信度。表格、JSON、代码块不宜用生成式方法。多语言内容建议分段独立压缩。安全警告、法律声明、医疗剂量等信息不得压缩。若仅超出预算 10–15%，优先做空白、重复句与样板头的简单剪枝。
其他信息（如具体模型或平台支持情况）暂未提供。