用途：估算 Claude Code 会话中每一轮的 token 归属，按 6 个类别展示上下文预算花在哪里，基于 claude-devtools 的可见上下文追踪器。调用方式：Skill({ skill: 'context-attribution' }); 适用于上下文压力高、优化 CLAUDE.md 大小、理解哪些工具调用最耗 token、调试上下文溢出。
6 个类别：CLAUDE.md 文件（含 claudeMd 或 CLAUDE.md 内容的系统消息，通常 20-40%）；@ 提及的文件（用户文件引用触发的 Read 工具结果，10-20%）；工具输出（所有 tool_result 内容块，15-30%）；AI 思考/文本（assistant 消息内容，含 text 与 thinking，10-25%）；团队协作（含 <teammate-message> XML 的消息，0-15%）；用户消息（user 角色消息，5-15%）。
工作流：先加载会话 JSONL，可用命令查找最近会话：SESSION=$(ls -t ~/.claude/projects/$(pwd | sed 's|/|-|g; s|^-||')/*.jsonl | head -1)。再按类别提取每轮 token 数据，统计用户消息、工具结果、assistant 输出与团队消息。估算时优先使用每个 assistant 轮次的 usage 字段，不可用时回退到字符数除以 4。最后输出归属表，列包括 Turn、CLAUDE.md、Files、Tools、AI Out、Team、User、Total，并指出消耗最多的类别，给出优化建议（如缩减 CLAUDE.md、压缩工具输出）。
记忆协议（强制）：开始前执行 cat .claude/context/memory/learnings.md 与 cat .claude/context/memory/decisions.md；完成后将新模式写入 learnings.md、发现的问题写入 issues.md、决策写入 decisions.md。文中强调假设中断：上下文可能重置，未写入记忆即视为未发生。
限制：各分类占比与回退估算方式为资料给出的一般范围，实际结果取决于会话内容；其余细节暂未提供。