长时间工作的 Agent，像一张越写越满的办公桌：对话、文件和工具结果不断堆积，但上下文窗口——模型一次能读入的信息上限——不会跟着变大。系统只好压缩旧记录。问题在于，摘要一旦漏掉关键事实，Agent 后面就可能失去完成某类任务的能力。这篇论文尝试给这种取舍建立一套理论账本。
作者把常见压缩分成两种“博弈”——即规定能看到什么、怎样算输赢的抽象测试：一种从原记录中挑选内容保留，另一种生成一段有长度限制的新摘要。论文最关键的结果是，后一种方式所需的最小篇幅，等同于“单向通信复杂度”：可以把它想成一方只能给另一方递一次纸条，要让对方以指定错误率回答问题，这张纸条至少得多长。于是，通信理论里已有的上下界，可以直接用来判断压缩预算是否够用。作者还证明，对某些问题，重新生成摘要确实能比单纯摘录更省空间。
论文用“某个元素是否在集合中”做案例，并将 Anthropic 的压缩接口与同等大小的 Bloom filter——一种用少量空间判断元素是否可能存在的数据结构——比较。作者自述，前者的错误率显著更高，接近随机猜测；控制实验把问题指向压缩时的信息丢失。这不是一套通用压缩配方，但它提供了一个更硬的追问方式：别只看摘要像不像原文，还要问它保住了哪些后续能力。