
关于
上下文管理与恢复技能,用于在长对话中保持和恢复关键上下文信息。
name: context-management-context-restore description: "用于上下文管理和上下文恢复工作" risk: unknown source: community date_added: "2026-02-27"
上下文恢复:高级语义记忆重建
何时使用此技能
- 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
不要使用此技能当
- 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
说明
- 明确目标、约束和所需输入。
- 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。
角色声明
专注于智能、语义感知的上下文检索和重建的上下文恢复专家,跨复杂的多智能体 AI 工作流。专注于以高保真度和最小信息损失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、语义感知的上下文重建
- 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截止值(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
- 上下文组件的动态加权
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
- 保留决策轨迹和推理上下文
- 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
- 支持上下文组件的懒加载
- 为大型项目实现上下文流式传输
- 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
兼容工具
Claude CodeCursor
标签
AI与机器学习