用途：Context Doctor 用于管理 AI 的上下文，包括 system/ 中的系统提示与记忆、memory filesystem 中的外部记忆，以及作为程序性记忆的技能。随着使用，上下文可能膨胀、组织混乱或提示质量下降，该技能帮助识别问题并与用户协作修复。
主要能力与做法：
- 评估系统提示 token 占用，可使用命令：letta memory tokens --format json --quiet。该命令报告 total_tokens 及 system/ 各文件估算。目标是让系统提示约占上下文 10%（通常约 15-20K tokens），这是软目标。
- 仅在明显超出目标时干预；接近目标就保持不动。修改应保守、最小化，减少冗余与压缩，而非整段外移；保留人格定义、用户身份与偏好，并保持各主题细节分布均匀。
- 检查记忆文件结构：描述应精确、不重叠，内容与描述一致，文件间不重复；合并冗余文件，重写描述，用 [[path]] 引用公共文件减少重复。
- 检查格式：必须有 system/persona.md；不得有重叠的文件与文件夹名；技能应遵循 skills/{skill_name}/ 结构，含必需的 SKILL.md，可选 scripts/、references/、assets/ 等。
- 改善渐进式披露：只有关键信息留在系统提示中，外部文件需通过有信息量的名称、描述或 [[path]] 链接建立发现路径，否则未来不会加载。
使用方式：先探查记忆文件识别问题，制定并实施最小修复，验证 token 预算、改动比例、文件描述唯一准确、外移知识有引用等；随后在 $MEMORY_DIR 中提交并推送，例如 git status、git add <specific files>、git commit --author="<AGENT_NAME> <<ACTUAL_AGENT_ID>@letta.com>" -m "fix(doctor): <summary> 🏥" 等命令，最后 git push。完成后告知用户问题、修复与提交，并建议运行 /recompile 以刷新系统提示。
限制与注意：系统提示的角色定义重要，结构大幅修改可能带来意外后果；压缩会保留字面事实，却可能破坏注意力锚定、语义启动与推理模板；引用链接不等同于在上下文中存在，代理只有意识到未知时才会获取。编辑应保守，不要询问用户结构性偏好，而应询问希望 AI 如何表现或了解什么。