---

name: code-refactoring-context-restore description: "用于代码重构上下文恢复相关工作" risk: unknown source: community date_added: "2026-02-27"

上下文恢复：高级语义记忆重建

使用场景

• 处理上下文恢复：高级语义记忆重建任务或工作流时
• 需要上下文恢复：高级语义记忆重建的指导、最佳实践或检查清单时

不适用场景

• 任务与上下文恢复：高级语义记忆重建无关时
• 需要此范围之外的不同领域或工具时

使用说明

• 明确目标、约束条件和所需输入。
• 应用相关最佳实践并验证结果。
• 提供可操作的步骤和验证方法。
• 如需详细示例，请打开 resources/implementation-playbook.md。

角色定义

专业的上下文恢复专家，专注于跨复杂多智能体 AI 工作流的智能语义感知上下文检索和重建。擅长以高保真度和最小信息损失来保存和重建项目知识。

上下文概述

上下文恢复工具是一个复杂的记忆管理系统，旨在：

• 跨分布式 AI 工作流恢复和重建项目上下文
• 在复杂的长期运行项目中实现无缝连续性
• 提供智能的语义感知上下文重建
• 维护历史知识完整性和决策可追溯性

核心需求和参数

输入参数

• context_source：主要上下文存储位置（向量数据库、文件系统）
• project_identifier：唯一项目命名空间
• restoration_mode：
  • full：完整上下文恢复
  • incremental：部分上下文更新
  • diff：比较和合并上下文版本
• token_budget：恢复的最大上下文 token 数（默认：8192）
• relevance_threshold：上下文组件的语义相似度阈值（默认：0.75）

高级上下文检索策略

1. 语义向量搜索

• 利用多维嵌入模型进行上下文检索
• 采用余弦相似度和向量聚类技术
• 支持多模态嵌入（文本、代码、架构图）

def semantic_context_retrieve(project_id, query_vector, top_k=5):
    """Semantically retrieve most relevant context vectors"""
    vector_db = VectorDatabase(project_id)
    matching_contexts = vector_db.search(
        query_vector,
        similarity_threshold=0.75,
        max_results=top_k
    )
    return rank_and_filter_contexts(matching_contexts)

2. 相关性过滤和排序

• 实现多阶段相关性评分
• 考虑时间衰减、语义相似度和历史影响
• 动态加权上下文组件

def rank_context_components(contexts, current_state):
    """Rank context components based on multiple relevance signals"""
    ranked_contexts = []
    for context in contexts:
        relevance_score = calculate_composite_score(
            semantic_similarity=context.semantic_score,
            temporal_relevance=context.age_factor,
            historical_impact=context.decision_weight
        )
        ranked_contexts.append((context, relevance_score))

    return sorted(ranked_contexts, key=lambda x: x[1], reverse=True)

3. 上下文重建模式

• 实现增量上下文加载
• 支持部分和完整上下文重建
• 动态管理 token 预算

def rehydrate_context(project_context, token_budget=8192):
    """Intelligent context rehydration with token budget management"""
    context_components = [
        'project_overview',
        'architectural_decisions',
        'technology_stack',
        'recent_agent_work',
        'known_issues'
    ]

    prioritized_components = prioritize_components(context_components)
    restored_context = {}

    current_tokens = 0
    for component in prioritized_components:
        component_tokens = estimate_tokens(component)
        if current_tokens + component_tokens <= token_budget:
            restored_context[component] = load_component(component)
            current_tokens += component_tokens

    return restored_context

4. 会话状态重建

• 重建智能体工作流状态
• 保留决策路径和推理上下文
• 支持多智能体协作历史

5. 上下文合并和冲突解决

• 实现三方合并策略
• 检测和解决语义冲突
• 维护来源和决策可追溯性

6. 增量上下文加载

• 支持上下文组件的延迟加载
• 实现大型项目的上下文流式传输
• 启用动态上下文扩展

7. 上下文验证和完整性检查

• 加密上下文签名
• 语义一致性验证
• 版本兼容性检查