上下文窗口限制了AI模型每次能处理的内容量。本技能提供了通过压缩、屏蔽、KV缓存优化和分区来最大化有效上下文容量的技术，可以有效将AI的处理能力提升一倍甚至两倍。
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-optimization”。 上下文利用率达85%，对话变得缓慢且昂贵
预期结果:
已应用压缩：将20条前消息总结为3个关键决策，上下文减少60%。已对第1-5轮的工具输出触发观察屏蔽。
正在使用“context-optimization”。 需要用32k上下文窗口处理50页文档
预期结果:
将文档分为4个部分。分配给隔离的子代理。聚合结果：所有部分已处理，最终摘要占用8k令牌。
正在使用“context-optimization”。 系统提示和工具定义在每个请求中重复
预期结果:
重新排序上下文：系统提示在前，然后是工具定义，最后是对话。实现75%的缓存命中率，延迟降低40%。
安全审计
安全All 16 static findings are false positives. The skill is a documentation/guide containing code examples for context optimization. Python code snippets were incorrectly flagged as shell commands, and text patterns like 'MD5' in '3+ turns' and skill names were misidentified as security issues. No actual security risks present.
质量评分
你能构建什么
长时间运行的AI代理
构建在扩展会话中保持上下文而不会触及令牌限制的生产级AI代理
大型文档处理
通过分区和聚合结果来处理大于上下文窗口的文档
成本降低
通过缓存和压缩策略减少令牌使用来降低API成本
试试这些提示
检查当前上下文利用率。如果超过70%，通过总结旧消息并保留关键决策来应用压缩。
对于3轮之前的工具输出，如果已经完成其用途，用只包含关键发现的紧凑引用替换它们。
重新排序上下文元素以最大化缓存命中：先放置系统提示和工具定义，然后是可重用内容，最后是唯一内容。
将当前任务拆分为独立的子任务。为每个子任务分配一个具有隔离上下文的单独子代理。全部完成后聚合结果。
最佳实践
- 在优化前先测量 - 建立基线令牌使用和性能指标
- 先应用压缩再屏蔽 - 总结比删除保留更多信号
- 设计时考虑缓存稳定性 - 使用一致的格式并避免提示中的动态内容
避免
- 过度压缩 - 压缩到50%以下会导致严重的质量损失
- 屏蔽关键观察 - 永远不要屏蔽当前推理所需的数据
- 忽略监控 - 没有测量的话优化效果会随时间下降