La compaction du contexteContext compactionLa compactación del contexto
Parcours : Construire un agent de code, le harnais · OpérationnelCourse: Building a Coding Agent: the Harness · PractitionerCurso: Construir un agente de código: el harness · Operativo

≈ 9 min
Le problème
Le problème : sur une longue tâche, chaque fichier lu et chaque sortie de commande s’ajoutent à la conversation, jusqu’à ce que l’API refuse l’appel.
Au programme de ce moduleIn this moduleEn el programa de este módulo
- 01Le problème≈ 9 min
- 02L’intuition≈ 8 min
- 03Le mécanisme≈ 9 min
- 04Le code, pas à pas≈ 10 min
- 05Pièges & pratiques≈ 10 min
- 06Exercice≈ 6 min
- 07Quiz≈ 5 min
Objectifs d’apprentissage
À la fin de ce module, vous saurez faire de la place dans la conversation de votre agent avant qu’elle ne déborde, en perdant le moins d’information possible. Voici les acquis visés.
- Expliquer pourquoi la conversation d’un agent grossit jusqu’à la limite, et pourquoi les résultats d’outils en sont la première cause ;
- Coder une compaction en trois étapes, de la moins coûteuse à la plus coûteuse : sauvegarder sur disque, alléger les anciens résultats, résumer ;
- Préserver les invariants : la demande en cours, les paires tool_use et tool_result, et un chemin vers chaque contenu retiré ;
- Situer la compaction face à Claude Code, et savoir ce qu’elle ne doit pas porter : les règles durables.
Sources
Curriculum open-source shareAI-lab/learn-claude-code, chapitre s08 (Context Compact), publié sous licence MIT, © shareAI-lab, adaptation Getul. La notice de licence est reproduite sur la page Sources et références. Documentation publique de Claude Code (Anthropic) sur la gestion du contexte, citée pour comparer avec un outil en production. Le motif présenté est indépendant du fournisseur : il vaut pour toute API offrant l’appel d’outils.
La conversation qui déborde
Confiez à votre agent une tâche longue : comprendre un module, le modifier, faire passer les tests. Il lit une dizaine de fichiers, lance les tests plusieurs fois, consulte des journaux de construction. Chaque résultat d’outil s’ajoute à messages, et rien ne l’en retire. Les modules précédents ont ralenti cette croissance (sous-agents, compétences chargées à la demande) ; ils ne l’ont pas arrêtée.
Or la fenêtre de contexte du modèle a une taille fixe. Tant que la conversation y tient, chaque appel coûte un peu plus cher que le précédent. Le jour où elle la dépasse, l’API refuse l’appel : le prompt est trop long, et l’agent s’arrête au milieu de son travail.
appel 1 demande ~200 caractères
appel 5 + 4 fichiers lus ~60 000 caractères
appel 12 + sorties de tests, journaux ~240 000 caractères
appel 20 + encore des fichiers refus de l'API : prompt trop longCe qui occupe la place, ce ne sont presque jamais les messages de l’utilisateur ni les réponses du modèle : ce sont les résultats d’outils. Un fichier lu, c’est son contenu entier ; une suite de tests qui échoue, ce sont des centaines de lignes. Et la plupart ne servent plus une fois lus.
Pour comprendre : le bureau encombré
Sur un bureau, on garde ouverts les deux ou trois dossiers en cours, et l’on range le reste dans l’armoire, avec une étiquette pour le retrouver. On ne jette rien, on ne recopie rien : on libère la surface de travail. La compaction fait la même chose avec la conversation de l’agent, et ne réécrit l’histoire, sous forme de résumé, qu’en dernier recours.
Vérifiez votre compréhensionCheck your understandingVerifique su comprensión
Dans une longue tâche de code, qu’est-ce qui remplit le plus la conversation de l’agent ?
À retenir
La conversation grossit à chaque résultat d’outil, et la fenêtre de contexte a une taille fixe : sans compaction, toute tâche assez longue finit par un refus de l’API. Les résultats d’outils sont la première cible.