用途：该技能聚焦“上下文工程”，即在 LLM 推理过程中筛选与维护最优 token 集合。它区别于提示词工程，关注哪些信息进入上下文窗口以及何时进入，适用于构建处理长对话、多步任务和工具调用的智能体。
主要能力：
- 上下文裁剪：用滑动窗口保留系统消息与最近 N 轮对话，确定性强、零延迟，但会丢失长程上下文。
- 上下文摘要：由 LLM 将较早消息压缩为结构化摘要，保留长程记忆，但存在摘要偏差、额外延迟与误差累积风险。
- 混合方案：结合裁剪与摘要，保留最近若干轮原文，超过阈值时对旧消息做摘要。
- 会话记忆：把可复用事实、偏好与任务状态存到上下文之外，按需加载相关片段。
- 长任务模式：压缩（compaction）、结构化笔记、子智能体架构，让子智能体在干净上下文中工作并只回传精简结果。
- 工具设计：即时加载上下文，工具应自包含、范围单一、描述清晰、错误信息不污染上下文。
- 系统提示设计：语言直接、按用途分节、最小但完整、指令自包含。
使用方式：资料给出 Python 示例，如 trim_context、summarize_context、HybridContextManager、SessionMemory 等类与函数，以及用 tiktoken 估算 token 的 estimate_tokens_accurate。核心思路是接近上下文上限（如 80%）时触发压缩，保留最近消息并维护滚动摘要。
适用场景：长对话智能体、多步复杂任务、工具调用密集的智能体、需要个性化与长期工作流的项目。
限制：资料未提供具体安装命令、依赖版本、收费或平台信息；示例为示意性代码，需结合具体模型与框架调整。摘要可能引入偏差，外部记忆需要检索、时效与删除策略。