用途：本技能用于管理大语言模型（LLM）的上下文窗口，核心目标是上下文优化，提供摘要、裁剪、路由以及避免“上下文腐化”的策略，而非绑定具体实现。
主要能力：包括上下文工程、上下文摘要、上下文裁剪、上下文路由、token 计数与上下文优先级排序。推荐先掌握 LLM 基础、分词基础与提示工程相关知识，并建议具备 prompt-engineering 技能。
主要工具：tiktoken（OpenAI 分词器，用于计数 token）、LangChain（含上下文管理工具的框架）、Claude API（支持 200K+ 上下文与缓存）。
典型模式：分层上下文策略根据上下文规模选择 full、summarize 或 rag 策略；序列位置优化将重要内容置于提示的开头与结尾；智能摘要按重要度而非仅按时间摘要；token 预算分配在系统提示、关键上下文、历史、查询与回复之间分配预算，并回收未用预算。另提供校验检查，如未计数 token、朴素截断消息、硬编码 token 上限、缺少上下文管理策略等。
使用方式：当任务涉及 context window、token limit、context management、context engineering、long context 或 context overflow 时使用。可与 rag-implementation、conversation-memory、prompt-caching、llm-npc-dialogue 等技能协作；命中 retrieval/rag/search、memory/persistence、cache 等触发条件时转交对应技能。
适用场景：多轮对话系统的上下文构建、超长历史摘要、需要可预测上下文管理的场景。
限制：不覆盖 RAG 实现细节、模型微调与嵌入模型；仅提供策略而非具体实现。输出不能替代针对具体环境的验证、测试或专家评审；若缺少必要输入、权限、安全边界或成功标准，应停止并请求澄清。价格与平台支持等细节暂未提供。