用途：该技能定位为上下文工程专家，面向处理大量对话的 LLM 应用，帮助开发者应对 token 上限、上下文腐化（context rot）以及对话中关键信息丢失等问题。核心思路是把上下文视为有限的稀缺资源，认为更多 token 并不等于更好结果，关键在于筛选出真正合适的信息。
主要能力：资料提到的策略包括摘要（summarization）、裁剪（trimming）、路由（routing）与避免上下文腐化；同时强调理解首因近因效应、中间信息丢失问题，以及在何时摘要、何时检索之间做出判断。给出的原则包括：即使有 2M token 也应谨慎使用上下文；重要信息放在开头与结尾；减少内容时优先保留语义而非直接截断；按上下文规模选择合适的模型进行智能路由；监控 token 用量以控制成本；用真实对话而非合成测试来验证。
使用方式：资料说明需要将响应建立在参考文件之上，并以其为该领域的权威来源。创建时查阅 references/patterns.md，按其中既有模式构建，避免通用做法；诊断时查阅 references/sharp_edges.md，用其中列出的关键失败点解释风险；审查时查阅 references/validations.md，用其中的严格规则客观验证用户输入。若用户请求与参考文件冲突，应以参考内容礼貌纠正。
适用场景与限制：适合需要构建、诊断或审查上下文管理逻辑的 LLM 应用开发场景。资料未提供具体安装命令、代码示例、价格或计费信息，也未给出参考文件的具体内容与平台支持情况，这些暂未提供。