用途：该技能聚焦 AI 智能体系统的上下文工程，适用于设计或调试智能体系统、上下文长度限制影响性能、优化成本与延迟、构建多智能体协作、实现记忆系统、评估智能体表现以及开发 LLM 驱动的流水线。
核心原则：上下文质量优先于数量，高信号 token 优于穷举内容；注意力有限，呈 U 形曲线，开头与结尾位置更受关注；渐进式披露，按需即时加载信息；通过子智能体隔离防止性能退化；优化前先测量基线。
关键指标：token 利用率 70% 预警、80% 触发优化；token 方差可解释约 80% 的智能体性能差异；多智能体成本约为单智能体的 15 倍；压缩目标为减少 50%–70% 且质量损失低于 5%；稳定负载的缓存命中目标为 70% 以上。
四桶策略：写入（将上下文保存到外部草稿或文件）、选择（仅拉取相关上下文，检索与过滤）、压缩（在保留信息的前提下减少 token，如摘要）、隔离（拆分到子智能体进行分区）。
反模式：用穷举上下文代替精选上下文；把关键信息放在中间位置；未在达到上限前设置压缩触发；对可并行任务使用单一智能体；工具缺少清晰描述。
使用准则：将关键信息放在上下文开头或结尾；在利用率 70%–80% 时实施压缩；用子智能体做上下文隔离而非角色扮演；为工具设计清晰描述（做什么、何时用、输入、返回）；按每任务 token 而非每请求 token 优化；用基于探针的评估验证；在生产环境监控 token 用量；从最小方案起步，仅在证明必要时增加复杂度。
技能协同：多个技能同时激活时，只加载相关技能内容，用技能元数据做发现，避免加载完整技能定义，按模式检测而非直接名称引用技能。
参考资料：references/fundamentals.md（上下文解剖、注意力机制）、degradation.md（故障调试、中间丢失、污染）、optimization.md（压缩、掩码、缓存、分区）、compression.md（长会话、摘要策略）、memory.md（跨会话持久化、知识图谱）、multi-agent.md（协作模式、上下文隔离）、evaluation.md（测试智能体、LLM 作为评判、指标）、tool-design.md（工具整合、描述工程）。
限制：资料未提供具体安装命令、收费方式、支持平台或实测效果数据。