该技能用于在上下文窗口有限时扩展有效容量，核心思路是提升上下文利用质量而非单纯扩容。激活场景包括：上下文限制任务复杂度、优化成本（减少token消耗）、降低长对话延迟、实现长运行智能体系统、处理更大文档或对话、构建规模化生产系统。
四种主要策略：
- 压缩（Compaction）：接近上限时总结上下文内容，再用总结重新初始化新窗口。优先压缩工具输出、旧对话轮次、检索文档，永不压缩系统提示。总结需按消息类型保留要点，去除冗长内容。
- 观察掩码（Observation Masking）：工具输出可占智能体轨迹token的80%以上，用紧凑引用替换冗长输出。最新轮次和活跃推理中的观察不掩码，3轮以上或已发挥作用的可考虑掩码，重复输出始终掩码。
- KV缓存优化：基于哈希块匹配复用相同前缀的KV块。将稳定内容（系统提示、工具定义）放前，可复用元素居中，唯一内容置后；避免时间戳等动态内容以提升缓存命中。
- 上下文分区：将工作分派给上下文隔离的子智能体，聚合前验证各分区完成并合并结果。
预算管理：显式分配token给系统提示、工具定义、检索文档、消息历史和预留缓冲；token利用率超80%等信号触发优化。决策参考：工具输出为主用掩码，文档为主用总结或分区，历史为主用压缩，多组件可组合。
性能预期：压缩实现50-70% token削减且质量下降小于5%，掩码实现60-80%削减，缓存命中率达70%以上。指南：先测量再优化，优先压缩再掩码，保持提示稳定以利缓存，在上下文出问题前分区，平衡节省与质量，生产规模测试，为边界情况设计优雅降级。
该技能依赖context-fundamentals和context-degradation，并与multi-agent-patterns、evaluation、memory-systems相连。技能版本1.0.0，创建并更新于2025-12-20。具体API、收费与部署细节资料暂未提供。