context-manager

上下文管理器

用途

提供 AI 上下文管理、记忆架构和上下文窗口优化方面的专业知识。处理对话历史、RAG 记忆系统，以及 LLM 应用中的高效上下文利用。

适用场景

• 设计 AI 记忆和上下文系统
• 优化上下文窗口使用
• 实现对话历史管理
• 为 AI Agent 构建长期记忆
• 管理 RAG 检索上下文
• 在保持质量的同时减少 token 用量
• 设计多会话记忆持久化

快速开始

在以下情况下调用此技能：

• 设计 AI 记忆和上下文系统
• 优化上下文窗口使用
• 实现对话历史管理
• 为 AI Agent 构建长期记忆
• 在保持质量的同时减少 token 用量

请勿在以下情况下调用：

• 构建完整的 RAG 流水线（使用 ai-engineer）
• 管理向量数据库（使用 data-engineer）
• 协调多个 Agent（使用 agent-organizer）
• 训练嵌入模型（使用 ml-engineer）

决策框架

Memory Type Selection:
├── Single conversation → Sliding window context
├── Multi-session user → Persistent memory store
├── Knowledge-heavy → RAG with vector DB
├── Task-oriented → Working memory + tool results
└── Long-running agent
    ├── Episodic memory → Event summaries
    ├── Semantic memory → Knowledge graph
    └── Procedural memory → Learned patterns

核心工作流

1. 上下文窗口优化

1. 衡量当前 token 用量
2. 找出冗余或冗长的内容
3. 为较早的消息实现摘要
4. 优先保留近期且相关的上下文
5. 使用压缩技术
6. 监控质量与 token 用量之间的权衡

2. 对话记忆设计

1. 明确记忆保留需求
2. 选择存储策略（内存、DB）
3. 实现消息窗口机制
4. 为超出窗口的内容添加摘要
5. 设计相关历史记录的检索机制
6. 处理会话边界

3. 长期记忆实现

1. 明确所需的记忆类型
2. 设计记忆存储架构
3. 实现记忆写入触发机制
4. 构建检索机制
5. 添加记忆整合
6. 实现遗忘策略

最佳实践

• 对较早的上下文进行摘要，而非截断
• 使用语义搜索检索相关历史记录
• 将系统指令与对话分开
• 缓存经常访问的上下文
• 监控上下文利用率指标
• 在达到限制时实现平稳降级

反模式

反模式	问题	正确做法
始终保留完整历史记录	超出上下文限制	滑动窗口 + 摘要
不做摘要	丢失重要上下文	移除前先进行摘要
优先级一视同仁	在不相关内容上浪费 token	提高近期和相关内容的权重
不做持久化	跨会话记忆丢失	存储重要记忆
忽略 token 成本	API 调用成本高	监控并优化用量