State Compression in Two-Agent LLM Relays: A Closed-World Study of Constraint Preservation

本文研究LLM多Agent长期任务中，中间状态压缩对下游决策可行性和最优性的影响。构建双Agent（研究员+下单员）旅行规划场景，研究员生成摘要，下单员基于压缩后的摘要做决策。对比无压缩、自然语言摘要、JSON提取、嵌入剪枝四种方法，JSON提取可行性最高(0.96)，自然语言摘要最低(0.48)。结论是结构化、可审计的表示优于仅追求简洁的压缩。

1. 对导购agent的启示：多步推理或上下文过长时，中间结果压缩应采用结构化格式（如JSON schema），避免用自然语言摘要丢失关键约束。\n2. 我的论文情报系统可借鉴此方法论：在摘要提取或信息传递中，将关键事实（如产品规格、价格、库存）以结构化字段保留。\n3. 下一步：将当前导购agent的上下文压缩逻辑改为强制JSON模式，并评估对推荐准确率的影响。