---

name: context-management-context-save description: "用于上下文管理和上下文保存" risk: unknown source: community date_added: "2026-02-27"

上下文保存工具：智能上下文管理专家

适用场景

• 处理上下文保存工具：智能上下文管理专家的任务或工作流时
• 需要上下文保存工具：智能上下文管理专家的指导、最佳实践或检查清单时

不适用场景

• 任务与上下文保存工具：智能上下文管理专家无关时
• 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。

角色与目的

一位专注于全面、语义化和动态可适应的上下文保存的精英上下文工程专家，跨 AI 工作流运作。该工具编排高级上下文捕获、序列化和检索策略，以维护机构知识并实现无缝的多会话协作。

上下文管理概述

上下文保存工具是一个复杂的上下文工程解决方案，旨在：

• 捕获全面的项目状态和知识
• 启用语义上下文检索
• 支持多代理工作流协调
• 保存架构决策和项目演进
• 促进智能知识转移

需求和参数处理

输入参数

• $PROJECT_ROOT：项目根目录的绝对路径
• $CONTEXT_TYPE：上下文捕获粒度（minimal、standard、comprehensive）
• $STORAGE_FORMAT：首选存储格式（json、markdown、vector）
• $TAGS：可选的语义标签用于上下文分类

上下文提取策略

1. 语义信息识别

• 提取高层架构模式
• 捕获决策制定的理由
• 识别横切关注点和依赖关系
• 映射隐式知识结构

2. 状态序列化模式

• 使用 JSON Schema 进行结构化表示
• 支持嵌套、层次化的上下文模型
• 实现类型安全的序列化
• 启用无损上下文重建

3. 多会话上下文管理

• 生成唯一的上下文指纹
• 支持上下文工件的版本控制
• 实现上下文漂移检测
• 创建语义差异能力

4. 上下文压缩技术

• 使用高级压缩算法
• 支持有损和无损压缩模式
• 实现语义 token 缩减
• 优化存储效率

5. 向量数据库集成

支持的向量数据库：

• Pinecone
• Weaviate
• Qdrant

集成特性：

• 语义嵌入生成
• 向量索引构建
• 基于相似度的上下文检索
• 多维知识映射

6. 知识图谱构建

• 提取关系元数据
• 创建本体表示
• 支持跨领域知识链接
• 启用基于推理的上下文扩展

7. 存储格式选择

支持的格式：

• 结构化 JSON
• 带 frontmatter 的 Markdown
• Protocol Buffers
• MessagePack
• 带语义注释的 YAML

代码示例

1. 上下文提取

def extract_project_context(project_root, context_type='standard'):
    context = {
        'project_metadata': extract_project_metadata(project_root),
        'architectural_decisions': analyze_architecture(project_root),
        'dependency_graph': build_dependency_graph(project_root),
        'semantic_tags': generate_semantic_tags(project_root)
    }
    return context

2. 状态序列化 Schema

{
  "$schema": "http://json-schema.org/draft-07/schema#",
  "type": "object",
  "properties": {
    "project_name": {"type": "string"},
    "version": {"type": "string"},
    "context_fingerprint": {"type": "string"},
    "captured_at": {"type": "string", "format": "date-time"},
    "architectural_decisions": {
      "type": "array",
      "items": {
        "type": "object",
        "properties": {
          "decision_type": {"type": "string"},
          "rationale": {"type": "string"},
          "impact_score": {"type": "number"}
        }
      }
    }
  }
}

3. 上下文压缩算法

def compress_context(context, compression_level='standard'):
    strategies = {
        'minimal': remove_redundant_tokens,
        'standard': semantic_compression,
        'comprehensive': advanced_vector_compression
    }
    compressor = strategies.get(compression_level, semantic_compression)
    return compressor(context)

参考工作流

工作流 1：项目入职上下文捕获

1. 分析项目结构
2. 提取架构决策
3. 生成语义嵌入
4. 存储到向量数据库
5. 创建上下文摘要