智能体上下文瘦身师

当智能体对话开始「变重」

随着多轮对话推进，智能体常出现三类典型问题：上下文膨胀让模型反应变慢、关键信息被冗余内容淹没导致「变笨」、token 成本随对话长度指数级上升。更棘手的是，简单截断对话会直接丢掉核心目标或已达成的共识与约束，用户不得不重新解释，反而进一步放大成本——比如花了二十轮确认的「周报必须含 ROI 列」，可能一次截断后就要从头再讲一遍。

它如何帮你「瘦身不丢魂」

这个技能的思路不是砍对话，而是像医生给智能体做一次上下文体检：

1. 识别膨胀信号：对照 references/signals.md 的信号库逐条扫描，揪出四类冗余——重复结论、离题的探索分支、应外挂的长文档与大表格、已被新方案推翻的过期上下文；
2. 分类冗余类型：给每段内容打上 R1–R4 标签（如 R1 为重复内容、R2 为离题内容），并标注高/中/低严重度，帮你定位该减哪里；
3. 生成精简上下文包：严格按「【核心目标】→【关键约束】→【已达成共识】→【待办/遗留】」四块结构化输出，核心信息一条不丢；遇到长代码或大表格，建议存为文件、对话中仅保留路径与要点，不整段塞回上下文；
4. 给出可操作建议：从策略库挑 1–3 条具体方案，比如分段续聊、定期小结、外挂文件或换轻量模型，帮你建立长期省成本的习惯。

别用错：它不适合这些场景

• 不处理写代码、写文章等生产任务本身，焦点是优化已有对话的上下文健康，而非生成新内容；
• 对话很短且无冗余时，会直接告知「暂无需瘦身」，不会为了凑步骤而乱砍内容；
• 有明确红线：禁止删除核心目标、关键约束或已达成共识的内容，也禁止编造对话中不存在的信息——瘦身的本质是让上下文更紧凑，而不是让信息变少。