核心用法
Chain-of-Density是一种迭代的文本摘要技术，通过5轮递进式压缩，在保持目标字数不变的前提下，逐步将稀疏、冗长的文本转化为高密度、信息丰富的精炼摘要。用户只需提供待压缩的原始文本，系统会自动编排迭代流程：第一轮生成稀疏基础摘要（含填充性词汇），后续每轮识别1-3个新实体并融入摘要，同时压缩冗余表达。
具体 orchestration 模式要求：迭代1仅传入源文本，迭代2-5需同时传入上一轮摘要与原始源文本（用于实体发现）。cod-iteration子代理返回格式包含Missing_Entities列表和Denser_Summary，最终输出可选择仅返回终稿或包含完整迭代历史的结构化数据。
显著优点
1. 学术背书：直接复现arXiv论文「From Sparse to Dense」验证的方法论，实体识别遵循5项严格标准（相关性、具体性、新颖性、忠实性、分布任意性），避免幻觉。
2. 信息熵最大化：与传统摘要不同，该技能强制保持字数恒定，通过压缩填充词为实体腾挪空间，最终实现"同样字数，3倍信息量"的效果。
3. 完全透明可控：return_history参数可输出完整迭代轨迹，每个实体的引入都有明确溯源，便于审计和调优。
4. 零依赖轻量化：仅依赖Python标准库，无第三方包、无网络调用、无文件系统操作，部署成本极低。
潜在缺点与局限性
- 子代理依赖风险：核心压缩逻辑由
cod-iteration子代理执行，若子代理不可用或行为偏离论文规范，输出质量无法保证。 - 适用场景受限：明确不推荐用于法律/合规文本（精度优先）、教程内容（需要解释性语言）、技术规范（不可压缩）等场景。
- 源文本长度敏感：过短文本（<300词）无需压缩，过长文本（未明确上限）可能导致迭代成本累积。
- 无内置质量评估：技能本身不提供摘要质量评分，需人工判断最终输出是否满足需求。
适合的目标群体
- 知识工作者：需要快速消化长篇报告、会议纪要、调研文档的高管与分析师。
- 内容运营：将 verbose 的产品文档、PRD转化为社交平台适配的精炼版本。
- AI Agent开发者：需要为RAG系统生成高密度context，优化token使用效率。
- 研究人员：验证Chain-of-Density论文在实际场景中的可复现性。
使用风险
1. 性能风险：5轮串行迭代意味着5次子代理调用，长文本场景下延迟和成本线性增长。
2. 语义漂移风险：多轮压缩可能导致技术术语的精确含义发生微妙偏移，关键数据（日期、数值、限定词）需人工复核。
3. 子Agent供应链风险：cod-iteration作为外部依赖，若其版本更新或策略调整，可能影响输出稳定性。
4. 过度压缩误用：用户可能忽略"When NOT to Use"警告，对不适合的文档类型强制压缩，造成信息损失。