用途：为 Agent 实现紧凑记忆（compact memory），在上下文增长时压缩历史，并将结构化摘要注入后续轮次或会话，使新 Agent 能接着干活。
主要能力：1) 触发策略——token 阈值（推荐，约上下文 70–80%）、轮次计数（如每 30/40 轮）、阶段边界，默认建议 70% 阈值加 N=40 轮次兜底；2) fork 压缩子 Agent——同步调用独立的压缩器，用更便宜的模型（如 claude-haiku-4-5-20251001）生成摘要，主 Agent 等待结果；3) 结构化摘要 schema——task、current_state、key_decisions、eliminated_approaches、open_questions、next_steps、relevant_tool_results、compacted_at_turn；4) 恢复方式——推荐把记忆块注入系统提示，无状态调用者可注入首条消息；5) 跨会话持久化——将 compact 存为 memory/<session_id>.json，恢复时加载；6) 链式压缩——已存在 compact 时重新压缩合并，而非叠加。
必要用法：检查上一次响应的 usage.input_tokens，超过 COMPACT_THRESHOLD（示例 150_000，需按模型调整）时调用 compact_memory(history)，清空 history 并把 compact 放入 system prompt，用 build_system_with_memory 拼接基础系统提示。压缩历史时把每条消息截断到约 2000 字符。
适用场景：长会话或多短会话的 Agent、需要跨会话保留任务状态与决策的工具调用型 Agent。
限制：资料未提供具体模型上下文上限、价格与平台信息；阈值、轮次与模型名均为示例，需按实际模型调整；压缩输出为 JSON，解析失败需加带错误反馈的重试；压缩过频或跨会话无限增长需按文中链式压缩修复。