你有没有遇到过这种情况：跟Claude Code聊了很久，让它回忆之前讨论的内容，它却说"我不太确定"或者"你能再提醒一下我吗？"

这不是AI变笨了，而是它的"脑子"不够用了——上下文窗口满了，旧内容被压缩了。

今天咱们就聊聊Claude Code怎么在"记忆不够"时取舍，以及压缩后还剩下什么。

图：上下文压缩像搬家收纳，装箱保留标签

两种压缩：自动压缩 vs 微压缩

Claude Code有两种压缩机制，应对不同场景：

自动压缩（Compaction）：大块的、自动触发的压缩。当上下文接近上限时，系统自动识别可压缩内容并执行。

微压缩（Microcompact）：精细的、按需的压缩。针对单个过大的内容（如大文件、大量工具结果）进行修剪。

打个比方：

  • 自动压缩像把整屋家具装箱——动作大、范围广
  • 微压缩像把抽屉里的东西整理一下——动作小、目标明确

自动压缩：什么时候触发

自动压缩有明确的触发条件：

Token阈值：当上下文超过某个百分比（如80%）时，触发压缩评估。

消息数量：当历史消息超过一定数量时，考虑压缩早期消息。

工具结果累积：当累积的工具结果较大时，触发摘要。

用户显式请求：用户可以通过命令触发压缩。

压缩的流程：

检测触发条件 → 识别可压缩内容 → 生成摘要 → 替换原文 → 保留引用

图：自动压缩的完整流程

什么东西会被自动压缩？

旧的工具结果：早期对话中工具返回的结果，如果后续没再引用。

历史消息中的代码块：已经处理完的代码，只保留关键部分。

冗余对话：重复确认、闲聊内容。

过时的状态：已经被后续操作覆盖的信息。

微压缩：精准修剪

微压缩针对的是单个内容项，当它过大时进行精准修剪。

常见场景：

大文件读取：FileReadTool读取了一个10MB的日志文件，但模型只需要其中几行相关的。

大量搜索结果：Grep返回了2000个匹配，但模型只关注前100个。

长输出截断：BashTool执行命令产生了大量输出，超出maxResultSizeChars。

微压缩的策略：

保留头部和尾部：文件的开头和结尾通常最重要。

抽样保留：中间部分抽样保留，保持一定代表性。

相关性过滤：只保留与当前任务相关的内容。

生成摘要：用更短的文本概括内容。

压缩后状态保留：还记得什么

关键问题：内容被压缩后，模型还"记得"什么？

Claude Code采用"有损压缩"——保留关键信息，丢弃细节。

保留的信息：

  • 存在性：“这个文件我读过”、“这个工具我用过”
  • 元数据：文件路径、操作时间、内容类型
  • 关键结论：处理的结果、发现的问题、做出的决策
  • 相关性：哪些内容与当前任务相关
  • 引用链接：如果需要详细内容，从哪里恢复

丢弃的信息：

  • 完整内容：文件的具体文本、工具的完整输出
  • 中间过程：详细的思考过程、尝试过的方法
  • 过时信息：已经被覆盖的内容
  • 冗余数据：重复的信息

这就像你的记忆：你可能记得"昨天看了一篇关于Rust的文章，讲的是所有权"，但不一定记得每句话——如果需要，你可以回去再读。

状态恢复：需要时重新加载

压缩不是删除，而是"归档"。当模型需要被压缩的内容时，可以重新加载。

重新加载的方式：

文件重读：如果压缩的是文件内容，用FileReadTool重新读取。

工具重新执行：如果压缩的是工具结果，重新执行工具（但要考虑成本）。

摘要引用：有时摘要足够，不需要完整内容。

用户提醒：如果AI似乎忘了什么，用户可以主动提醒。

这种设计让AI既能处理海量信息，又不会在长对话中"失忆"。

上下文折叠：最后的防线

当即使压缩后上下文还是装不下时，Claude Code会启动最后一招：上下文折叠（Context Collapse）。

这就像搬家时实在装不下了——只能扔掉一些箱子，只留最重要的。

折叠策略：

保留核心：

  • 系统提示词（AI的"身份"）
  • 最近的N轮对话
  • 关键决策点
  • 用户明确的要求

可能丢弃的：

  • 最早的几轮对话
  • 已经被处理完的子任务
  • 详细的过程记录

生成摘要：

  • 对丢弃的内容生成高层摘要
  • 保留关键结论
  • 丢弃过程细节

折叠后，模型可能"忘记"早期的细节，但还保留着"我们之前讨论过X"的印象。

实战：如何应对"失忆"

理解压缩机制，能帮你应对AI的"失忆"：

主动提醒：如果AI似乎忘了之前的内容，主动提醒它：“我们之前说过要用React，记得吗？”

关键信息放CLAUDE.md：项目级的关键信息放在CLAUDE.md，它会被优先保留。

分段处理：如果任务很复杂，分成多个子任务，避免上下文爆炸。

利用引用：如果AI提到"我之前看过一个文件"，但记不清内容，让它重新读取。

理解不是bug：长对话中的"遗忘"是正常机制，不是AI出问题。

压缩的质量控制

Claude Code在压缩时会尽量保留"重要"内容，但什么是"重要"的？

用户明确强调的：“这个很重要，记住”

决策点：用户做出的选择、确认的方案

错误和教训：失败的经历、学到的经验

关键数据：配置值、参数、重要的代码片段

当前任务相关的：与当前目标直接相关的内容

这种"重要性评估"由模型自己参与——它决定什么该留、什么该扔。

这对构建AI Agent的启示

如果你想构建自己的AI Agent，上下文压缩是关键：

设计压缩策略：明确什么可以压缩、什么必须保留。

保留元数据：即使压缩内容，也要保留"存在性"和"引用"。

支持状态恢复：提供重新加载压缩内容的能力。

让用户参与：对于重要内容，询问用户"这个要保留吗？"

监控压缩效果：提供压缩前后的对比，让用户理解发生了什么。

总结

当AI的"脑子"不够用时，Claude Code通过自动压缩、微压缩和上下文折叠来优雅地取舍。

关键机制：

  • 自动压缩：大块内容的自动摘要
  • 微压缩：单个内容的精准修剪
  • 状态保留：保留关键信息，丢弃细节
  • 上下文折叠：最后的防线，只留最重要的

理解这一点，能让你：

  • 理解AI的"遗忘"行为
  • 更有效地管理长对话
  • 在自己的AI Agent中实现类似的机制

下一篇，咱们聊聊权限系统——给AI装上"安全刹车"。

文章写到这儿，希望对你理解压缩机制有所帮助。觉得有收获的话，欢迎点赞转发。关注梦兽编程，咱们下篇见。