这个 Skill 能做什么，适合哪些场景？
这是一个面向智能体系统的上下文优化技能，专注于有限上下文窗口中的令牌预算、检索范围和信息保留。它按优先级介绍 KV 缓存优化、观察结果遮蔽、上下文压缩和上下文分区。技能提供触发阈值、预算策略、性能目标、决策框架和常见故障模式。它适合需要降低令牌成本、改善延迟或延长有效上下文容量的生产智能体系统。
它分析上下文中工具输出、消息历史和检索文档的占比，分配各类令牌预算，并根据利用率、错误状态和质量信号触发优化。它指导用户将稳定内容放在提示词前缀以提高 KV 缓存复用，将已处理的冗余工具输出替换为可检索引用，对超预算上下文进行摘要压缩，并在任务过大时拆分给隔离上下文中的子智能体。它还建议跟踪令牌减少、缓存命中率、质量变化、延迟和分区后的净节省。
- 构建生产智能体时，工具输出占据大部分上下文，需要在保留可检索性的同时减少令牌消耗。
- 运行稳定的重复请求时，希望通过固定提示词前缀提升 KV 缓存命中率并降低成本与延迟。
- 长会话接近上下文上限，需要在保留任务目标、用户约束和关键错误信息的前提下进行压缩。
- 处理包含多个独立子任务的问题，单一上下文无法容纳全部内容，需要评估是否值得使用多智能体分区。
- 设计智能体运行策略时，需要为工具输出、检索文档、消息历史和预留缓冲区设置预算与触发条件。
如何安装这个 Skill？
- 不要将示例启发式摘要、令牌计数或缓存指标直接用于生产决策；应使用目标模型分词器、真实运行时指标和质量回归测试。
- 统一70%与80%的压缩触发阈值，并为外部存储、引用淘汰、敏感工具输出和失败恢复定义明确策略。
- 在采用KV缓存或分区建议前确认运行时支持、数据隔离和成本收益；该材料没有证明中文或大陆网络环境下的可用性。
获取仓库后，将 skills/context-optimization 整个目录复制到目标项目的 Agent Skills 目录，例如：mkdir -p .codex/skills && cp -R skills/context-optimization .codex/skills/。必须保留目录结构和其中的 SKILL.md；不要将文件扁平化为单独的 Markdown 文件。README 未提供该单个技能在所有宿主中的统一安装命令。
tmp="$(mktemp -d)"
git clone --depth 1 https://github.com/muratcankoylan/Agent-Skills-for-Context-Engineering.git "$tmp"
mkdir -p ~/.claude/skills
cp -R "$tmp/skills/context-optimization" ~/.claude/skills/
rm -rf "$tmp"根据源仓库地址和 Skill 路径自动生成，只复制这个 Skill 的文件夹。如果上文有作者提供的安装方式，请优先按作者说明操作；想只在当前项目中使用，把 ~/.claude/skills 换成项目里的 .claude/skills。
如何使用这个 Skill？
在支持 Agent Skills 的宿主中，将任务描述为需要上下文效率优化的问题，例如：请分析当前智能体的上下文组成，制定令牌预算，并设计观察结果遮蔽、KV 缓存前缀稳定性和压缩触发策略。 当令牌预算、观察结果遮蔽、前缀缓存、检索范围或上下文分区成为问题时激活该技能。具体宿主的自动激活命令未在来源中说明。
这个 Skill 有哪些优点和局限？
- 提供明确的优化优先级、触发阈值和预算管理方法。
- 同时覆盖 KV 缓存、观察结果遮蔽、压缩和多智能体上下文分区。
- 强调以令牌、质量、延迟和缓存命中率等指标验证优化效果。
- 明确列出错误信息遮蔽、过早压缩和分区协调成本等风险。
- 来源未提供该单个技能的独立测试套件或实测基准结果。
- 性能数字主要是目标值和经验性指导，不能视为在所有模型或运行时中已验证的保证。
- KV 缓存效果依赖运行时支持前缀缓存；上下文分区还需要可用的多智能体协调机制。
- 具体的外部存储、检索实现和宿主集成步骤没有详细定义。
这个 Skill 与同类方案有什么区别？
与相关 Skills 并排比较；分数均按同一 FSRS 标准得出。
| Skill | FS 评分 | Star 数 | 最近更新 | License |
|---|---|---|---|---|
| 上下文效率优化 本页 | 44 · 不推荐 | ★ 18k | 16 天前 | MIT |
| 上下文工程基础 | 55 · 谨慎使用 | ★ 18k | 16 天前 | MIT |
| 潜在简报 | 55 · 谨慎使用 | ★ 18k | 16 天前 | MIT |
| LeanCTX 本地上下文智能层 | 61 · 推荐 | ★ 3.9k | 13 天前 | Apache-2.0 |
| LeanCTX 本地上下文控制 | 59 · 推荐 | ★ 3.9k | 13 天前 | Apache-2.0 |
FollowSkills 如何评估这个 Skill？
技能主要提供上下文压缩、遮蔽、预算和缓存优化建议，没有凭据读取、外部写入或破坏性默认操作，并提醒生产环境使用模型专用分词器；但未明确敏感数据处理、权限边界、外部存储隔离、用户确认、回滚策略或来源归因，因此扣分。
SKILL.md、参考文档和脚本覆盖主要路径并提供异常场景提示，但阈值存在不一致（正文多处使用70%，脚本在80%才触发），分类逻辑较脆弱，令牌估算和摘要依赖启发式，ObservationStore存在容量淘汰导致引用失效的路径；静态评估且缺少针对该脚本的测试，因此受限于10分上限并进一步扣分。
激活条件、非适用范围、四类策略和部分平台/runtime前提描述较清楚，适用于上下文受限的智能体系统；但缺少明确输入输出契约、模型/运行时兼容矩阵、中文场景说明及大陆网络环境适配证据，且部分建议依赖可控推理基础设施，因此扣分。
文档结构清晰，包含渐进式参考文档、示例、指标、故障陷阱、集成说明、版本、更新时间和MIT许可证；但维护责任、变更记录、依赖安装说明、引用来源和该技能脚本的正式测试覆盖不完整，因此未满分。
内容能直接指导预算、遮蔽、压缩、缓存和分区设计，脚本也提供可复用的演示API；但核心摘要只是规则提取或截断，令牌估算不精确，缓存指标是示意性计算，缺少针对该技能的代表性验证和与替代方案的比较，按静态校准不超过7分。
脚本、参考资料、示例和仓库级CI提供一定可审计材料，但CI列出的编译与测试路径不覆盖skills/context-optimization/scripts/compaction.py，性能目标主要是未附实验数据的声明，外部研究也未在该技能内给出具体可核验出处；因此仅给有限静态证据分。
点击维度查看打分理由
证据充分度：低 — 主要依赖静态检查、作者材料或有限演示；适合发现线索，不适合做高风险决策。
查看完整评分方法 →