Context Optimization 是一套用于扩展智能体有效上下文容量的技能，目标不是增大上下文窗口，而是更高效地利用现有容量。资料称，有效优化可使有效上下文容量提升两到三倍，而无需更大模型或更长上下文。
用途
当上下文限制约束任务复杂度、需要降低 token 成本、减少长对话延迟、实现长期运行的智能体系统、处理更大文档或对话，或构建规模化生产系统时，可启用该技能。
主要能力
技能围绕四种核心策略展开：
- 压缩（Compaction）：接近上下文限制时摘要化内容，再以摘要重新初始化上下文窗口，优先压缩工具输出、旧对话轮次和检索文档，系统提示永不压缩。
- 观察遮蔽（Observation Masking）：用紧凑引用替换冗长的工具输出，信息仍可按需访问，但不再持续占用上下文。
- KV 缓存优化（KV-Cache Optimization）：通过前缀缓存复用相同前缀的 KV 块，重排上下文元素以最大化缓存命中，将稳定内容放在前面。
- 上下文分区（Context Partitioning）：将工作拆分到隔离上下文的子智能体中，实现关注点分离，再聚合结果。 此外还包括上下文预算分配和基于触发条件的优化（如 token 利用率超过 80% 时触发）。
使用方式
资料提供了一些示例代码思路：当上下文 token 占比超过 0.8 时执行压缩；当观察内容过长时存储并返回引用摘要；按“稳定内容→可复用内容→唯一内容”的顺序排列上下文以利于缓存。技能建议先测量再优化、优先压缩再遮蔽、设计缓存稳定性、在上下文成为问题前分区、监控优化效果、平衡 token 节省与质量保持、在生产规模测试、为边缘情况实现优雅降级。
适用场景
适用于长对话、长文档处理、成本敏感型应用、低延迟需求、长期运行的智能体系统以及规模化生产环境。
限制
资料未提供具体安装命令、收费信息或平台支持细节；技能本身为方法论与实现指导，实际效果需结合具体系统测量。压缩目标为减少 50-70% token 且质量下降低于 5%，遮蔽目标减少 60-80%，缓存命中率目标 70% 以上，但均为参考指标，并非保证。