用途
code-refactoring-context-restore 是一个「上下文恢复（Context Restoration）：高级语义记忆再水合」技能，用于处理跨复杂多智能体 AI 工作流的上下文恢复任务。当用户需要针对上下文恢复、高级语义记忆再水合任务获得指导、最佳实践或检查清单时，可使用该技能；当任务与此无关，或所需领域与工具超出该范围时，则不应使用。
角色定位
该技能定位为「专家级上下文恢复专家」，专注于智能、语义感知的上下文检索与重建，覆盖复杂多智能体 AI 工作流，特长是以高保真、最小信息损失的方式保存与重建项目知识。
核心能力
根据资料，该工具是一套记忆管理系统，设计目标包括：跨分布式 AI 工作流恢复与重建项目上下文；为复杂、长期运行的项目提供无缝连续性；提供智能、语义感知的上下文再水合；维护历史知识完整性与决策可追溯性。
其提供的上下文检索与恢复策略包括：
- 语义向量搜索：利用多维嵌入模型进行上下文检索，采用余弦相似度与向量聚类技术，支持多模态嵌入（文本、代码、架构图）；示例函数 semantic_context_retrieve(project_id, query_vector, top_k=5) 通过向量数据库按 similarity_threshold=0.75、max_results=top_k 检索并排序过滤。
- 相关性过滤与排序：实现多阶段相关性打分，考虑时间衰减、语义相似度与历史影响，对上下文组件进行动态加权；示例函数 rank_context_components(contexts, current_state) 依据语义相似度、时间相关性与历史影响计算综合得分并排序。
- 上下文再水合模式：支持增量上下文加载、部分与完整上下文重建、动态管理 token 预算；示例函数 rehydrate_context(project_context, token_budget=8192) 按优先级加载 project_overview、architectural_decisions、technology_stack、recent_agent_work、known_issues 等组件，并在 token 预算内逐步恢复。
- 会话状态重建：重建智能体工作流状态，保留决策轨迹与推理上下文，支持多智能体协作历史。
- 上下文合并与冲突解决：实现三方合并策略，检测并解决语义冲突，维护来源与决策可追溯性。
- 增量上下文加载：支持上下文组件懒加载、大型项目的上下文流式加载，以及动态上下文扩展。
- 上下文校验与完整性检查：密码学上下文签名、语义一致性验证、版本兼容性检查。
- 性能优化：高效缓存机制、用于上下文索引的概率数据结构、优化向量搜索算法。
参数配置
输入参数包括：
- context_source：主上下文存储位置（向量数据库、文件系统）。
- project_identifier：唯一项目命名空间。
- restoration_mode：恢复模式，可选 full（完整上下文恢复）、incremental（部分上下文更新）、diff（比较并合并上下文版本）。
- token_budget：要恢复的最大上下文 token 数（默认 8192）。
- relevance_threshold：上下文组件的语义相似度阈值（默认 0.75）。
使用方式
资料给出的调用示例为命令行形式：
完整上下文恢复
context-restore project:ai-assistant --mode full
增量上下文更新
context-restore project:web-platform --mode incremental
语义上下文查询
context-restore project:ml-pipeline --query "model training strategy"
参考工作流包括两类：
- 工作流一：项目恢复（Project Resumption）——检索最近的项目上下文，针对当前代码库校验上下文，选择性恢复相关组件，生成恢复摘要。
- 工作流二：跨项目知识迁移（Cross-Project Knowledge Transfer）——从源项目提取语义向量，映射并迁移相关知识，将上下文适配目标项目领域，验证知识的可迁移性。
适用场景
资料列出的集成模式包括：RAG（检索增强生成）流程、多智能体工作流协同、持续学习系统、企业知识管理。
限制
官方资料仅列出了未来路线图（增强多模态嵌入、类量子向量搜索算法、自愈式上下文重建、自适应学习上下文策略），未提供关于收费、价格、平台支持范围、具体效果数据或性能指标的信息，这些内容暂未提供。