context-compression

此技能专为管理复杂、长期运行会话的开发者与 AI 代理所设计，特别是在上下文窗口接近极限时。在处理包含超过 500 万个 Token 的大型代码库时，简单地截断历史记录会导致代理遗忘关键信息，如文件修改、函数签名与错误日志。本技能实施先进的上下文压缩策略，将“单一任务消耗 Token 数”(tokens-per-task) 作为指标，而非仅考虑单次请求的节省量。通过关注整体任务效率，能有效避免因压缩不当导致频繁重新获取信息所造成的成本浪费。

• 锚定迭代摘要：维护结构化的持续性摘要，追踪会话意图、特定文件变更、设计决策与未完成任务，确保项目状态不丢失。

• 结构化产物追踪：提供机制记录哪些文件被修改、读取或创建，缓解编码代理中常见的“产物追踪”问题。

• 压缩触发启发式：提供多种策略，如固定阈值触发、滑动窗口与重要性排序减量，以决定压缩历史记录的最佳时机。

• 基于探针的质量评估：整合评估框架，通过检测事实回忆、决策推理与产物完整性，衡量压缩质量，超越单纯的词汇匹配。

• 单一任务 Token 优化：将重点从最小化输入 Token 转移到最小化整体成本与延迟，通过减少代理在复杂编码工作中的重复探索或幻觉，提升执行效率。

• 当遇到上下文窗口溢出或代理在长期多轮编码任务中表现下降时，请启用此技能。

• 利用提供的结构化 Markdown 段落，强制保存如 JWT 设置、Redis 连接池与错误消息历史等技术细节。

• 实施依赖于对会话历史进行逻辑分段，防止在多次压缩循环中发生关键信息漂移。

• 适用于使用 XState 或标准 CLI 代理架构的系统，其中明确的状态与历史记录对于高精度输出至关重要。

• 建议用户确保其评估协议包含特定的“探针问题”，以验证必要文件路径与系统限制在压缩过程中得以保留。