用途：诊断并修复智能体在长上下文中的性能退化，把上下文退化当作可测量的工程问题处理，而非不可预测的故障。
主要能力：识别五类退化模式——lost-in-middle（关键信息位于中段导致召回下降）、上下文投毒（幻觉、工具错误或错误检索事实被反复自引用放大）、上下文干扰（无关文档稀释注意力）、上下文混淆（多任务混用约束与工具）、上下文冲突（多个各自正确但互相矛盾的来源）。提供检测信号、恢复方式与优先级规则。
使用方式：当长对话中性能意外下降、输出错误或无关、设计需可靠处理大上下文的系统、评估上下文工程方案、排查 lost-in-middle 现象时启用。相邻工作不启用：无实际故障时讲基础机制用 context-fundamentals；已知模式后做 token 优化用 context-optimization；设计压缩或交接摘要用 context-compression；把大输出、日志或草稿状态存到提示词外用 filesystem-context。
关键做法：把关键信息放在上下文开头和结尾，避免中段；加载前做相关性过滤，宁可把可能用到的信息放到工具调用后面；用独立上下文窗口隔离不同任务；对矛盾来源建立优先级规则并过滤旧版本；投毒时截断到污染点之前或仅用已验证内容重启，而非叠加更正。四类缓解框架：Write（写到窗口外）、Select（只拉相关内容）、Compress（压缩保留信息）、Isolate（拆分到子智能体或会话）。
适用场景：长对话智能体、RAG 检索管线、多任务系统、生产环境上下文工程评估。
限制：退化阈值随模型版本变化，需按自身负载重新基准测试；needle-in-haystack 高分不代表真实长上下文能力；单次质量波动不等于退化；提示词质量问题会伪装成退化；退化呈非线性悬崖式下降。资料未提供具体安装命令、收费或平台信息。