核心用法
Shed 是一套基于研究的Agent上下文卫生（Context Hygiene）规则，解决长会话Agent面临的上下文膨胀、成本爆炸和性能衰减问题。核心操作包括：
1. 即时提取 — 工具调用后立即将关键事实写入文件，丢弃原始输出（工具输出占上下文增长的84%但价值最低）
2. 阈值触发 — 上下文达70%时主动触发压缩，优先屏蔽旧工具输出（零成本），必要时摘要旧推理
3. 任务切换 — 完成后立即写入结果并切换上下文，遗留面包屑供后续追溯
4. 代理分流 — 复杂子任务派生全新上下文的子代理，禁止继承父级膨胀
5. 架构分层 — 按类型分块（人类消息/人格/知识）并设硬上限，关键信息置于首尾（规避15%的中部注意力衰减）
显著优点
- 成本量化：OpenHands实测将二次增长转为线性，成本降低2倍；JetBrains研究显示简单屏蔽即可降本50%同时保持或提升解决率
- 研究背书：整合NeurIPS 2025、ACL 2024、Letta/MemGPT、LLMLingua等前沿工作
- 渐进策略：明确复杂度陷阱警告——简单屏蔽优于LLM摘要，避免过度工程
- 可操作性强：提供70%阈值、禁止递归摘要、子代理隔离等具体规则
潜在局限
- 需要主动集成：非即插即用库，需开发者在Agent框架中实现规则
- 70%阈值经验性：不同模型/任务的 optimal 阈值可能差异
- 摘要固有损失：压缩推理链时存在信息损耗，关键细节可能丢失
- 文件I/O依赖：面包屑和提取模式依赖持久化存储，纯内存Agent需适配
适合人群
- 构建长时运行Agent的工程师（代码助手、研究Agent、自动化工作流）
- Agent框架开发者（OpenHands、AutoGen、Letta等架构设计）
- 受困于上下文成本或"Lost in the Middle"性能衰减的团队
常规风险
- 过度压缩：激进摘要导致关键工具输出被过早丢弃
- 递归摘要错误累积：明确禁止但仍可能误实现，导致语义漂移
- 位置偏见误用：关键信息放首尾的规则需配合具体模型验证
- 子代理通信断裂：切换上下文后若面包屑记录不全，任务衔接失败