上下文优化技术（Context Optimization Techniques）是一套面向 AI 智能体与工作流的上下文管理方法，资料将其定位为“工作流技能”，用于在上下文窗口有限时提高有效容量。资料明确指出，其目标不是神奇地扩大上下文窗口，而是更充分地利用现有容量。
用途与触发场景：当上下文限制会约束任务复杂度、需要降低 token 成本、需要减少长对话延迟、需要实现长时间运行的智能体系统、需要处理较大文档或较长对话，或需要构建规模化生产系统时，可使用该技能。
主要能力：资料列出四种核心策略。压缩（compaction）：在接近上限时总结上下文内容，并用摘要重新初始化新的上下文窗口；优先压缩工具输出、较早轮次和检索文档，系统提示词永不压缩。观测遮蔽（observation masking）：用紧凑引用替换冗长的工具输出，使信息在需要时仍可访问，但不再持续占用上下文。KV 缓存优化：通过哈希块匹配复用相同前缀的 KV 块，并把稳定内容放在前面（如系统提示词、工具定义），以提高缓存命中。上下文分区：把工作拆分到上下文隔离的子智能体，各自专注于子任务，最后由协调者汇总结果。
使用方式：资料给出的工作流包括：确认用户目标与技能适用范围；先阅读元数据与来源文件（metadata.json、ORIGIN.md）；只加载对当前请求结果有实质影响的参考、示例、提示或脚本；执行上游工作流并保留来源边界；按上游预期与可指出的证据进行验证；当工作超出该技能范围时，转交给相关技能；在合并或关闭前记录使用了什么、改了什么、评审者还需验证什么。资料还建议先测量当前状态、优先压缩再遮蔽、保持提示稳定以利缓存、在上下文出问题前先分区、持续监控优化效果，并在 token 节省与质量保持之间取得平衡。
适用场景：长对话与长任务智能体、上下文逼近上限的复杂任务、成本敏感或延迟敏感的调用、需要处理大文档或多轮对话的系统，以及多子任务协作的智能体架构。
限制与注意事项：资料说明仅当任务明确符合上述范围时使用；输出不能替代针对具体环境的验证、测试或专家评审；缺少必要输入、权限、安全边界或成功标准时应停下并请求澄清。资料中部分资源路径标注为 n/a，并未提供具体参考、示例或脚本文件内容；文中给出的性能指标（如压缩带来 50-70% token 减少、质量下降低于 5%，遮蔽带来 60-80% 减少，缓存命中率达到 70% 以上）属于资料中的指导性说明，实际效果需自行验证。