用途：面向 LLM 系统的上下文工程，决定每轮进入模型上下文的内容，并通过上下文策略优化成本与延迟。适用于设计上下文流水线（前缀、检索、历史、用户输入）、实施摘要与滚动历史、选择分隔符/XML 块/结构化上下文格式，以及排查上下文相关失败（指令丢失、溢出、干扰、约束被忽略）。
主要能力：1）上下文预算与布局：按窗口分配 token 比例，系统策略与工具为固定块不可截断，检索文档/记忆高优先且重排序，历史优先压缩最旧内容，用户当前消息不可丢弃；使用显式 XML/markdown 分段，如 <policy>、<tools>、<context>、<history>、<user>。2）历史管理：可选完整近期窗口、滚动摘要、锚定消息、结构化状态等策略，保留用户目标、约束、未解决的工具有错误与待确认事项。3）检索入上下文：从用户消息与状态摘要生成查询，检索候选后去重、按相关性排序、加来源标签、按句子边界截断并标注“[truncated]”。4）缓存与预取：在提供方支持时缓存稳定前缀（系统与工具），可选在用户输入时预取检索结果，提示版本变更时使缓存失效。5）调试上下文故障：针对指令被忽略、文档幻觉、溢出错误、工具混淆等给出原因与修复方向，并在开发/预发环境记录各块 token 数。
使用方式：按需加载参考文档，布局与预算见 references/context_layout.md，摘要见 references/history_compression.md，检索打包见 references/retrieval_packing.md，缓存见 references/caching_prefetch.md，调试见 references/debugging_context.md。
不适用：持久记忆存储或长期回忆架构（ai-memory-developer）、完整 RAG 摄取/分块/嵌入/索引流水线（ai-engineer）、AI 组织运营与发布治理或 SLO（ai-lead-ops）、含分阶段 KPI 的 token/成本改进路线图（ai-token-improvement-plan-engineer）、商业/企业 AI 解决方案架构（applied-ai-architect-commercial-enterprise）。
限制：资料未提供具体平台、价格、性能数据或完整代码示例。