在长时运行的 Agent 场景中，随着任务轮次增加，会话日志会迅速膨胀。命令输出、文件内容、检索结果等工具返回信息不断堆叠，即便上下文窗口达到 10 万 token 级别，也可能在短时间内被塞满。更麻烦的是，信息变多并不等于模型更清楚当前任务，反而可能因为关键内容被淹没，导致执行效率下降、目标偏离甚至流程中断。
DeepSeek Harness（dsh）针对这一问题提供了两套机制：一是 compaction，即上下文压缩；二是 goal，即目标管理。两者都属于可选能力，依赖会话日志实现，不引入额外的持久化存储。前者负责减少模型可见的历史信息，后者负责确保 Agent 在长会话中不丢失任务方向。
上下文压缩：先裁剪工具输出，再摘要旧对话
compaction 的核心思路并不复杂：把会话日志中的一段旧对话替换成一条摘要消息。替换完成后，模型看到的不再是原始的冗长交互，而是一条更短的结果性描述。
素材中给出的例子是重构 auth.ts 文件。压缩前，模型需要看到多轮 assistant 回复、文件内容、搜索结果等，总计约 26000 tokens；压缩后，这段历史被归纳为一条约 500 tokens 的摘要，例如“重构 auth.ts：分析了文件，发现三个类型安全问题，已全部修复。”
不过，DeepSeek Harness 并没有采用一刀切的摘要方式。其策略链中包含一个可选步骤：工具结果剪枝。系统会先尝试裁剪冗长的工具输出，如果裁剪后仍超过限制，再进行完整对话摘要。这种渐进式处理的目的，是尽量减少信息损失。
在事件设计上，compaction 会记录 compaction/start、compaction/summary、compaction/end 等事件，但这些事件本身只写入日志，不进入模型可见层。真正对模型可见的变更，只有那条用于替换旧对话的摘要消息。
其中，锁机制用于避免并发问题。一次压缩操作从 start 开始，到 end 结束；如果中途崩溃，日志中会留下未匹配的 start，形成可检测的遗留锁。活动的未匹配 start 会阻塞后续入口点，避免两个压缩流程同时操作同一个会话。
触发方式上，compaction 支持自动和手动两类。自动触发包括 pressure 和 context-overflow 两种原因：pressure 基于 token 估算的常规压力策略；context-overflow 则可能在上下文溢出时强制压缩，即使尚未达到正常阈值。手动压缩则在会话空闲时运行，如果没有有效范围，会直接返回，不执行写入。
值得注意的是，被压缩的原始对话并不会从日志中删除，只是不再进入模型可见层。这意味着压缩在理论上可逆，后续仍可通过日志恢复原始内容。
目标管理：不是待办清单，而是可恢复的状态机
如果说 compaction 解决的是“上下文太长”，goal 解决的则是“任务跑偏”。在长会话中，模型可能被中间步骤、错误输出或临时信息带偏，逐渐忘记最初目标。DeepSeek Harness 的 goal 服务通过事件溯源方式维护目标状态。
goal 的生命周期分为四个阶段：active、paused、blocked 和 complete。其中，active 表示目标正在进行，paused 表示暂停且可恢复，complete 表示完成，而 blocked 是唯一表示“因问题而停止”的持久状态。阻塞时会附带一个包含 code 和 message 的原因说明，便于人类和模型理解当前为何无法继续。
在数据结构上，GoalRef 包含 id 和 revision 两个字段。每次获准的持久变更都会递增 revision，形成类似乐观锁的机制，用于防止并发修改冲突。每次 goal 变更都会以 goal/change 事件写入会话日志，清除操作也会携带墓碑记录。
这一设计的关键在于，goal 状态只从 goal/change 事件派生，而不受 inbox 变更影响。即使消息队列中存在未处理内容，目标状态本身也不会因此变化。目标的生命周期与消息队列解耦。
在续跑机制上，goal-round-driver 会为每个获准的用户消息轮次标注正数且连续的 Round 编号。回放时会拒绝非正数 Round、编号缺口、陈旧修订号、已停止阶段以及超出上限的情况，从而保证日志完整性。
其工作流程大致为：用户设定目标后，系统创建 active 状态的 goal；goal-round-driver 启动第一轮，Agent 执行完整轮次；轮次结束后检查目标是否完成。如果完成，则标记 complete；如果受阻，则标记 blocked；如果仍为 active 且未超过 maxGoalRounds，则继续下一轮；如果达到上限，则标记 blocked。
由于 goal 状态持久化在会话日志中，即使进程重启，冷恢复后仍可从日志重建目标状态。对于长时任务而言，这使 Agent 不会因环境中断而忘记自己正在做什么。
压缩与目标管理如何协同
compaction 与 goal 虽然分别处理上下文长度和任务方向，但二者在长会话中是相互配合的关系。
素材显示，compaction 压缩时不会触碰 goal/change 事件。goal 事件不在 surface 层，也不会被压缩流程遮蔽。这意味着即使历史对话被摘要替换，目标状态仍然完整保留在日志中，供后续轮次读取和恢复。
从工程角度看，这种设计提供了一个较清晰的思路：长会话 Agent 不能只依赖更大的上下文窗口。窗口再大，也会被工具输出、日志和中间结果填满；真正需要的是分层处理机制。
- 对工具输出优先剪枝，减少无细节噪音；
- 对旧对话进行摘要替换，降低模型可见上下文长度；
- 将目标状态独立记录在事件日志中，避免被普通对话压缩影响；
- 通过事件溯源支持恢复，使长会话在进程重启后仍能继续。
长会话 Agent 的难点，不只是让模型“看到更多”，而是让它在信息增长后仍能抓住重点。DeepSeek Harness 的做法，是把上下文压缩和目标管理拆成两个独立但协作的系统：一个负责降低噪音，一个负责维持方向。对于需要执行多步骤任务的 Agent 产品而言，这类机制正在从可选优化变成基础工程能力。
原创文章，作者：点点，如若转载，请注明出处：https://www.dian8dian.com/zhang-hui-hua-agent-ru-he-bi-mian-shang-xia-wen-shi-kong
