在AI Agent的架构中，如果工具调用的返回结果非常大，超出了上下文窗口或导致性能下降，应当采用哪些策略来应对？请列举几种实际可用的处理方法。

回答思路

1. 【回答框架 1】核心问题是超大返回结果会占用上下文窗口、增加延迟和成本。直接截断是简单方法，但可能丢失关键信息，可结合重要性评估或摘要。
2. 【回答框架 2】方案一：结果摘要，利用LLM对完整结果生成精简摘要，保留关键信息，适用于文本类结果。
3. 【回答框架 3】方案二：结构化提取，针对JSON或数据库查询结果，只提取所需字段，减少传递数据量。
4. 【回答框架 4】方案三：分页或流式处理，将结果分批返回，按需加载后续部分，避免一次性加载。
5. 【回答框架 5】方案四：外部存储引用，将完整结果存入存储系统，返回引用标识，Agent按需获取。
6. 【关键点 1】关键是根据结果类型和任务需求选取合适的策略。
7. 【关键点 2】摘要和提取适用于文本和结构化数据，能保持信息完整性。
8. 【关键点 3】分页和外部引用适用于超大规模数据，避免上下文溢出。
9. 【关键点 4】实际应用中可组合多种方法，如先提取后摘要。
10. 【易错点 1】过度截断可能导致关键信息丢失，影响Agent决策。
11. 【易错点 2】摘要可能引入偏差，需评估对任务的影响。
12. 【易错点 3】外部存储引入额外I/O，需权衡延迟与上下文节省。