本次查询：Context Compression
中文解释：上下文压缩
常见场景：大模型推理优化 / 长文档问答 / 多轮对话 / 检索增强生成
一句话解释
Context Compression 是一种减少大模型在处理长文本时所需计算资源的技术，它把重复或低信息量的上下文片段进行压缩，让模型只关注关键部分，从而支持更长的有效上下文。
为什么会被关注
随着大模型上下文窗口扩展到百万token级别，直接存储全部历史信息会急剧消耗显存和计算时间，导致推理成本飙升。Context Compression 能以10倍以上压缩比削减缓存，同时保持任务质量，因此成为降低长上下文推理门槛的核心技术。
许多实际应用（如代码仓库级问答、长文档分析、持续对话）都受限于上下文长度和成本，压缩技术直接决定了这些功能能否落地。OpenAI、Google、Anthropic 等都在研究类似方法，并逐步集成到产品中。
核心逻辑
大模型推理时会将输入文本转换为键值对（KV Cache）并逐层缓存，后续Token只需读取之前的缓存。Context Compression 有两种主流思路：一是对KV Cache做量化或剪枝，丢弃不重要的缓存行；二是将冗余的上下文Token合并成抽象的语义表示，例如用特殊压缩Token代替长段落。
这些方法通常依赖注意力权重或信息熵来判断哪些部分重要，然后只保留关键信息。压缩后模型仍能通过恢复或插值方式还原近似语义，保证下游任务准确率不降级。
常见场景
多轮对话中，历史消息不断累积，Context Compression 可将前几轮对话压缩成几个压缩Token，避免无限制增长。长文档问答（如论文、合同）中，将文档内容压缩后一次性送入模型，无需分块检索。
检索增强生成（RAG）系统里，压缩检索到的多篇文档摘要，减少输入长度。Agent循环调用工具时，将前面步骤的观察和工具输出压缩后传给后续调用，保持长期依赖能力。
容易混淆的点
不要将 Context Compression 与 Prompt 截断混为一谈。截断是直接丢弃尾部内容，会导致信息丢失；而压缩是保留语义精华，损失更小。另外，它和量化（Model Quantization）也不同：量化压缩的是模型参数，而上下文压缩压缩的是推理时产生的输入缓存。
此外，“上下文压缩”有时也指文本摘要压缩，但AI领域更特指针对中间表示（KV Cache）或Token序列的压缩，而非简单地用另一个模型归纳总结。理解这一点有助于选择正确的技术方案。