ACON：AutoCompact 不該只求縮短，更要根據任務失敗來改善壓縮規則

研究重點

研究發現：ACON 在觀察和任務歷史兩個層次做自然語言規則最佳化，透過任務失敗分析，逐步調整『該保留什麼』。作者同時研究把壓縮方法蒸餾給較小模型，以降低額外成本。

Crew 應用：不要只顯示節省幾個 tokens。Context Health 可以新增『壓縮後是否仍找得到關鍵決策、測試證據及檔案路徑』的驗收項。對 Crew Deck，還應以 Role 為界線，避免各角色的私人 context 混在一起。

研究限制：論文的 26–54% 降幅是作者在 AppWorld、OfficeBench、Multi-objective QA 等指定環境中的結果，不是 Crew Pocket 的實測數字。採用前必須用自己的長任務回歸集量測。