先记住这个答案
摘要损失四类信息：原文字面、精确数值、事件顺序和语气细节；模糊的语义概括无法支撑需要精确引用或审计的任务。合同审查、代码调试、法规合规等场景禁止仅用摘要，必须保留原始内容或混合检索。判断标准：若错误引用原话会导致不可逆后果，就不该用摘要替代。
- 摘要丢失字面、数值、顺序、语气细节
- 合同代码需逐字场景禁用纯摘要
- 判断标准：错误引用后果是否可逆
摘要压缩的四种信息丢失机制
摘要本质是LLM对对话的再编码，它保留语义要点却丢弃表层结构。最直接丢失是字面字符串：用户原话中的精确措辞、特殊符号、代码片段里的标识符，摘要往往只能留下'讨论了函数重命名'这类主题标签。这种损失在需要原文比对时是致命的。
第二类丢失是数值与枚举细节。摘要模型倾向于抽取显眼实体，但会忽略边界条件、精确阈值或离散值。第三类丢失是事件的时间顺序，会被压缩成因果链，可能丢失中间尝试和失败信息。第四类更难察觉：语气与不确定性标记，如‘可能’‘绝对不能’，被改写成确定陈述，从而影响后续判断。
一个合同审核Agent的失败边界
假设Agent在长会话中协助法务审阅合同，用户在第3轮明确表示'删除第12条赔偿上限，改为按实际损失赔付'。后续对话围绕其他条款，Agent在20轮后触发摘要，摘要写成'讨论了赔偿条款的调整方向'。当用户询问现有合同时，Agent无法复述具体修改内容。
这个场景要求逐字追溯，因为法律文件任何措辞变化都有法律后果。纯摘要让Agent无法引用准确条文，甚至可能依据模糊记忆生成错误法律建议。正确要求是保留该轮完整原文或建立可检索的变更记录，摘要只能作为索引辅助。
失败边界与可操作的判断准则
在以下场景中，纯摘要作为完整历史的替代不可接受：任务输出会被外部审计，如医疗、金融合规；后续回复需要引用用户原话，如客服承诺赔付金额；信息修改具有不可逆后果，如代码删除操作。在这些场景中，错误引用可能直接导致生产事故或法律纠纷。
处理策略不是整体放弃摘要，而是对敏感信息设置'不摘要区'——保留原始消息片段，或为重要实体建立结构化存储。代价是增加存储与检索复杂度，需要权衡对话长度与引用需求。一个实用判断：若用户问'我刚才怎么说的'，纯摘要系统无法给出准确答复，则必须改造。
容易答错的地方
- 摘要能保留所有关键信息
- 错误。LLM摘要的压缩过程会系统性偏向概括性语言，丢失精确数值、边界条件和原文结构。研究表明，摘要模型在细节保留上表现不稳定，对需要逐字回放的任务不可依赖。
- 只要摘要足够长就能完整替代历史
- 错误。即使摘要很长，也是二次编码，可能引入事实性幻觉和措辞偏差。再长的摘要也无法覆盖所有原始token的精确内容，且长摘要同样消耗上下文窗口，违背压缩初衷。
面试官还会怎么问？
摘要和完整历史混合使用是否可行？
可行但需分层。建议保留关键原始消息（如用户指令、工具结果）并附加摘要概要，检索时优先返回原文。但混合方案增加复杂性，需要明确哪些消息不可摘要。
如何评估摘要丢失程度？
设计可控问答集：固定用户历史，只有某一轮包含关键信息，检查Agent能否回答该细节。正确率低于阈值则需调整摘要策略。参考回归测试思路。
长对话中何时触发摘要？
触发条件取决于任务需要，而非固定轮数。当上下文接近模型限制且后续任务不依赖早期逐字信息时触发。可用token阈值作为信号，但需对信息类型分敏感度。
参考资料
示例用于理解所注明的运行环境与边界；延伸学习可结合原文中的更多案例。