该技能用于管理长时间运行的智能体会话，这类会话可能产生数百万令牌。其目标不只是减少单次请求的令牌数，而是优化任务整体的令牌效率（Tokens-Per-Task），同时尽量减少关键信息损失。
核心心智模型：压缩是蒸馏，不是截断。结构化摘要会强制保留那些在通用摘要中容易丢失的技术细节。
脆弱性与自主性：脆弱性为中等，过度激进的压缩可能导致智能体“忘记”此前的决策或文件变更；在压缩方法选择上自主性较高，可根据会话状态决定。
何时启用：会话超出实际延迟或成本上限时；在超大代码库（500万+令牌）中需要精准挑选相关上下文时；设计智能体持久记忆系统时；排查智能体丢失自身修改记录（工件轨迹）的问题时。
核心概念：
- 真正的指标是 Tokens-Per-Task。不要只优化“每请求令牌数”。一种策略若节省 1% 令牌却迫使智能体重新读取 5 个文件，反而浪费资源。成功应以完成任务所消耗的总令牌数衡量。
- 压缩策略包括：锚定迭代（Anchored Iterative，压缩率 98.6%，质量 3.70，适合长代码会话与文件跟踪）、再生摘要（Regenerative Summary，压缩率 98.7%，质量 3.44，适合项目阶段明确切换时）、不透明压缩（Opaque Compression，压缩率 99.3%，质量 3.35，适合最大化节省且对技术回溯需求较低的场景）。
- “工件轨迹”问题：这是压缩最薄弱的维度，智能体常忘记自己究竟修改了哪些文件。解决方案是在压缩摘要中保留明确的“已修改文件”章节。
在 Gemini Elite Core 中的实现模式为“锚定迭代摘要”：定义刚性章节作为信息“锚点”，包括会话意图（用户原始目的）、已修改文件（路径与原子变更）、已做决策（所选架构背后的原因）、当前状态与下一步（测试通过/失败情况、下一步立即行动）。
触发方式：固定阈值，在达到可用上下文的 70%–80% 时触发；滑动窗口，保留最近 N 轮加结构化摘要。
集成：context-fundamentals 作为信息层级的基础；evaluation 使用“基于探针的评估”衡量摘要质量；memory-systems 将摘要持久化到长期记忆系统。
内部参考：references/evaluation-framework.md 提供完整评估框架（召回、工件、决策探针）。