长会话的成本是"斜着涨"的
多轮对话里，每一轮都要把历史带上 ✔。于是 token 消耗随轮数超线性增长 ✗：
第 20 轮的输入可能是第 2 轮的十几倍 ✔。
所以长会话必须做"摘要频率 + 预算"的联动控制 ✔，否则成本会在长会话里悄悄失控 ✔。
一、先给会话设预算
- 单会话 token 预算（例如 3 万 token 输入累计 ✔）；
- 单会话成本上限 ✔；
- 单轮输入上限（防某一轮把历史全带上 ✔）。
预算按会话累计 ✔（不是单轮 ✔），否则长会话永远超不了单轮上限 ✗。
二、摘要触发策略（三种，按代价）
- 按轮数：每 N 轮摘要一次 ✔（简单，但可能浪费 ✔）；
- 按 token 占比：历史占预算 > 50% 就摘要 ✔（推荐 ✔）；
- 按话题切换：检测到话题变化就摘要上一话题 ✔（效果最好，实现成本高 ✔）。
推荐组合：预算占比触发（主）+ 轮数兜底（防极端 ✔）。
三、摘要要"只留有用的"
摘要必须保留（见多轮上下文那篇 ✔）：
- 用户硬约束（金额、时间、偏好 ✔）；
- 已确认的事实（不要重复问 ✔）；
- 未完成的待办 ✔。
丢弃：寒暄、重复确认、被推翻的中间方案 ✔。
摘要本身也要纳入预算 ✔（否则摘要越滚越大 ✗）。
四、三个联动规则
- 摘要后必须压缩历史 ✔：把被摘要的多轮从上下文里移除 ✔（常见错误：摘要是"加"上去的，历史还留着 ✗）;
- 预算接近上限时降级 ✔：减少检索片段数、缩短输出上限 ✔（见降级那篇 ✔）；
- 超预算时明确告知 ✔（"本会话较长，接下来只保留要点" ✔），而不是静默丢弃 ✗。
五、该观测的四个指标
- 每轮输入 token 增长曲线（应该阶梯下降，而非线性上升 ✔）；
- 摘要触发次数/会话 ✔；
- 单会话平均成本与 P95 ✔（长尾会话往往贡献大部分成本 ✔）；
- 摘要后的问题率（用户是否因为"忘了"而重复提问 ✔ —— 升高说明摘要丢了关键信息 ✔）。
六、常见反模式
- 摘要只加不删 ✗（成本反而更高 ✔）；
- 全局统一阈值 ✗（短会话被无谓摘要，长会话仍超预算 ✔）；
- 不做观测 ✗（成本涨了才查，且查不出是哪类会话 ✔）；
- 把图片/附件每轮重复带上 ✗（最容易被忽略的成本源 ✔）。
一条判据
把"输入 token 随轮数"画成曲线 ✔，它是否阶梯式（摘要后下降）而不是线性上升 ✔？
线性上升说明摘要没有真正压缩历史 ✗。