用途：该技能定位为上下文工程（context engineering）专家，用于优化处理大量对话的 LLM 应用，解决触及 token 上限、上下文腐化（context rot）以及对话中途丢失关键信息等问题。核心观点是上下文是有限资源且存在收益递减，更多 token 并不等于更好结果，关键在于筛选恰当信息。
主要能力：资料列出 context-engineering、context-summarization、context-trimming、context-routing、token-counting、context-prioritization 等能力，覆盖上下文工程、摘要、裁剪、路由、token 计数与优先级排序。
模式：包含分层上下文策略（按上下文规模采用不同策略）、序列位置优化（把重要内容放在开头和结尾）、智能摘要（按重要性而非仅按新近度摘要）。
反模式：资料明确列出朴素截断、忽视 token 成本、一刀切方案三种应避免的做法。
相关技能：可与 rag-implementation、conversation-memory、prompt-caching、llm-npc-dialogue 配合使用。
使用方式与限制：资料仅说明该技能适用于执行概述中描述的工作流或操作，未提供具体安装命令、代码示例、配置参数或调用步骤，这些内容暂未提供。适用场景为需要控制上下文长度、保留关键信息的对话或 LLM 应用；具体平台、收费与效果数据暂未提供。