用途：为 AI 编程智能体提供上下文全生命周期管理，包括项目知识摄入、上下文窗口打包、跨会话持久记忆，以及面向大型代码库的检索增强生成。适用于为新代码库引导上下文、针对具体任务优化上下文、设计持久记忆、构建代码 RAG 管道，以及协调多智能体间的上下文共享。
主要能力：上下文窗口架构，含 token 预算分配与贪心、分层、自适应压缩打包策略；三层记忆模型（工作记忆、会话记忆、知识库），含提升协议与陈旧检测；代码检索，支持文件级、块级（RAG）与依赖感知检索，并提供分块与嵌入指引；从代码库构建知识图谱（节点与边）及图查询；窗口优化模式，如带锚点的滑动窗口、渐进式摘要、工具结果选择性缓存；记忆工具与上下文编辑，含基于文件的跨会话持久记忆、淘汰过期工具输出与摘要替换历史；长上下文策略，判断何时用百万级窗口、RAG 或混合循环；多智能体上下文共享，含共享上下文总线与五元素交接协议。
使用方式：先确认三项输入——任务类型、token 预算上限、待索引的源内容；不确定时先询问，用户说明直接起草则在产物开头列出假设。可用脚本：python scripts/context_analyzer.py src/ --budget 128000 --json 分析 token 占用与优化建议；python scripts/context_pruner.py src/main.py --aggressive --json 剪除低相关内容；python scripts/memory_indexer.py docs/ --query 'auth middleware' --top 5 以 TF-IDF 检索记忆库；python scripts/context_budget_planner.py --window-size 200000 --system 4000 --history 60000 --tools 90000 --rag 40000 --reserve-output 8000 规划窗口分配并标记溢出。按任务加载对应参考文档。
适用场景与限制：覆盖上下文预算规划、多层记忆设计、代码检索策略、知识图谱构建与查询。不覆盖向量库基础设施部署、嵌入模型选择（见 rag-architect）、智能体角色与编排（见 agent-designer、agent-workflow-designer）、运行时可观测性与告警（见 observability-designer）、提示工程与指令微调（见 prompt-engineer-toolkit）。集成上与 rag-architect、agent-designer、self-improving-agent、observability-designer、agent-workflow-designer、codebase-onboarding 分工协作。其余信息暂未提供。