Optimize AI Context for Long-Running Agents Skill 技能

长时间运行的AI对话会面临上下文窗口耗尽、响应质量下滑、Token费用飙升三大问题。这个Skill为Claude、Codex和Claude Code提供了一套完整的上下文优化工具箱，涵盖六大能力模块。

第一，令牌消耗估算。Skill内置基于字符的经验公式，可在任意时刻评估当前上下文各分类（系统指令、用户消息、工具输出、中间推理等）的Token占比，帮助开发者快速定位哪个环节吃掉了最多的上下文空间。

第二，消息分类与选择性压缩。支持按角色、消息类型和检索标签对历史消息打标，决定哪些内容值得保留、哪些可以压缩或丢弃。与简单的截断不同，这套方案保留检索索引，仅移除冗余文本，压缩后的内容仍可被召回。

第三，多类型摘要生成。工具输出、会话片段、文档内容、通用文本各有不同的摘要策略。Skill提供轻量启发式摘要方法，不调用额外模型接口，直接在本地计算。

第四，观察结果存储与遮蔽。对于频繁出现但信息密度低的工具输出（如长列表、调试日志），Skill支持将内容存入内存遮蔽区，保留一个可检索的引用指针，避免上下文被重复的低价值信息填满。

第五，上下文预算追踪。Skill维护一份预算分配表，记录各类别已用Token数、剩余空间和优化触发阈值。当某类内容逼近阈值时自动提醒，支持在长任务中途进行预防性压缩。

第六，缓存命中率分析。统计相同或相似提示前缀的缓存命中情况，识别不稳定的前缀模式，帮助优化提示词以提升缓存复用率，从而降低延迟和费用。

典型使用场景包括：需要数小时连续编码的大型重构任务、用Token预算和压缩触发器维持决策连贯性；客服支持Agent遮蔽已完成工具输出同时保留近期证据；以及评估AI编程助手的提示缓存效率。

该Skill为纯本地工具，不自动调用外部模型接口，不修改现有Agent框架，通过内存处理所有上下文数据，安装为npx skillstore add asmayaseen/context-optimization，MIT许可证。