AI 代理在激进压缩后会浪费 token 重新获取丢失的上下文。此技能教授结构化摘要策略，可在保留关键信息的同时将 token 成本降低高达 98%。
下载技能 ZIP
在 Claude 中上传
前往 设置 → 功能 → 技能 → 上传技能
开启并开始使用
测试它
正在使用“context-compression”。 具有 178 条消息的代理会话，用于调试身份验证错误
预期结果:
- 创建了包含 5 个部分的结构化摘要：会话意图、根本原因、已修改文件、测试状态、后续步骤
- 压缩率：98.6%（89000 token 到 1240 token）
- 探测评估：技术细节保留准确性 4.2/5
正在使用“context-compression”。 三种编码任务压缩策略的比较
预期结果:
- 锚定迭代：98.6% 压缩率，3.70 质量分数 - 最适合文件跟踪
- 再生式：98.7% 压缩率，3.44 质量分数 - 良好平衡
- 不透明式：99.3% 压缩率，3.35 质量分数 - 最高压缩率，最低质量
安全审计
安全All 16 static analysis findings are false positives. The skill contains only markdown documentation (SKILL.md, 271 lines) with no executable code. Detected patterns include markdown code block delimiters misidentified as shell execution, documentation URLs misidentified as network calls, and conceptual references misidentified as cryptographic implementations. No security risks identified.
质量评分
你能构建什么
调试长运行代理会话
在 100+ 消息的调试会话中保持上下文，同时跟踪文件修改、错误消息和决策，而不丢失关键技术细节。
构建企业级编码代理
为处理 500 万 + token 代码库的代理设计上下文管理，实施保留函数签名、类型定义和架构决策的压缩。
评估压缩质量
使用基于探测的评估测试不同的压缩策略，在部署到生产环境之前衡量准确性、工件跟踪和继续能力。
试试这些提示
帮助我为我的编码代理会话设计一个结构化摘要模板。我需要用于跟踪已修改文件、所做决策和后续步骤的部分。我的代理主要使用 TypeScript 和 Redis。
我正在构建一个编码代理，在 50 条消息后会丢失上下文。设计一个使用滑动窗口方法的压缩触发策略。包括何时压缩的标准以及如何增量合并摘要。
为我的上下文压缩系统创建一个基于探测的评估框架。生成 20 个探测问题，涵盖召回、工件跟踪、继续和决策类别，以测试我的摘要是否保留了关键信息。
为一个 500 万 token 的代码库迁移项目设计一个三阶段压缩工作流。包括研究阶段压缩到规范、规划阶段到实施细节，以及使用示例工件作为压缩种子的策略。
最佳实践
- 使用明确的部分来跟踪文件修改、决策和后续步骤，以防止静默信息丢失
- 在上下文使用率达到 70-80% 时触发压缩，采用增量合并而非完全再生
- 在部署到生产工作流之前使用探测问题测试压缩质量
避免
- 针对每请求 token 而非每任务总成本进行优化
- 在文件跟踪对任务至关重要时使用激进的不透明压缩
- 在每次压缩时重新生成完整摘要而非增量合并