用途
Context Manager 是一个面向 AI 上下文与记忆管理的技能，定位为 AI 系统“记忆”方面的专家。它专注于向量数据库（RAG）、短期与长期记忆架构，以及上下文窗口优化，用于处理对话历史、RAG 记忆系统和 LLM 应用中的高效上下文利用。
主要能力
该技能覆盖以下方向：
- 设计 AI 记忆与上下文系统
- 优化上下文窗口使用
- 实现对话历史管理
- 为 AI 智能体构建长期记忆
- 管理 RAG 检索上下文
- 在保持质量的前提下减少 token 使用
- 设计多会话记忆持久化
使用方式
在以下情况调用该技能：设计 AI 记忆与上下文系统、优化上下文窗口使用、实现对话历史管理、为 AI 智能体构建长期记忆、在保持质量的同时减少 token 使用。
在以下情况不要调用：构建完整 RAG 流水线（改用 ai-engineer）、管理向量数据库（改用 data-engineer）、协调多个智能体（改用 agent-organizer）、训练嵌入模型（改用 ml-engineer）。
记忆类型选择决策框架
- 单轮对话 → 滑动窗口上下文
- 多会话用户 → 持久化记忆存储
- 知识密集型 → 带向量数据库的 RAG
- 任务导向 → 工作记忆 + 工具结果
- 长时运行智能体：情景记忆 → 事件摘要；语义记忆 → 知识图谱；程序记忆 → 学习到的模式
核心工作流
-
上下文窗口优化：测量当前 token 使用量；识别冗余或冗长内容；对旧消息实施摘要；优先保留近期与相关内容；使用压缩技术；监控质量与 token 之间的权衡。
-
对话记忆设计：定义记忆保留需求；选择存储策略（内存、数据库）；实现消息窗口化；为溢出内容添加摘要；设计相关历史的检索；处理会话边界。
-
长期记忆实现：定义所需记忆类型；设计记忆存储模式；实现记忆写入触发；构建检索机制；添加记忆整合；实现遗忘策略。
适用场景
适用于需要为 LLM 应用设计记忆与上下文体系的开发场景，包括对话系统、AI 智能体、RAG 检索上下文管理，以及需要在有限上下文窗口内平衡质量与 token 成本的场景。
最佳实践
- 对旧上下文进行摘要，而不是直接截断
- 使用语义搜索检索相关历史
- 将系统指令与对话内容分离
- 缓存频繁访问的上下文
- 监控上下文利用指标
- 在达到上限时实现优雅降级
反模式
- 始终使用完整历史：会超出上下文限制，应改用滑动窗口 + 摘要
- 不做摘要：会丢失重要上下文，应在淘汰前先摘要
- 优先级均等：会在无关内容上浪费 token，应提高近期/相关内容的权重
- 无持久化：跨会话会丢失记忆，应存储重要记忆
- 忽略 token 成本：会导致 API 调用昂贵，应监控并优化使用
限制
该技能不负责构建完整 RAG 流水线、管理向量数据库、协调多个智能体或训练嵌入模型，这些任务应分别交由其他专门技能处理。关于该技能的收费、价格、平台支持等具体信息，资料中暂未提供。