（774期）context-engineer – 上下文窗口智能审计与优化专家

上下文窗口智能审计与优化专家 智能上下文窗口优化工具，精确分析 token 分配、识别冗余开销，为 AI Agent 提升上下文效率与成本控制能力 使用说明 核心功能 context-engineer 是由 Anvil AI 开发的上下文窗口优化工具，专注于解决 LLM 应用中最隐蔽但代价高昂的问题——上下文 token 的无谓消耗。该 skill 通过系统化的审计机制，帮助开发者精确掌握 token 流向，实现可量化的优化效果。 主要能力模块 1. 工作空间深度分析 扫描 SKILL.md、SOUL.md、MEMORY.md 等核心配置文件 计算各组件的 token 占用与占比分布 生成效率评分与具体优化建议 2. 工具定义审计 识别工具定义中的冗余描述与功能重叠 量化单个工具与工具集的 token 开销 标记未使用或低效的 tool definitions 3. 快照对比系统 支持优化前后的基准测量（before/after snapshot） 精确计算预期 token 节省量 建立可追踪的效率改进指标 技术特性 零依赖设计：仅依赖 Python 3 标准库，无需额外安装 估算策略：采用 ~4 字符/token 的近似算法，兼顾速度与实用性 预算感知：支持自定义 context window 预算（默认 200K），实时显示静态内容 vs 对话可用空间的占比 显著优势 成本透明度：首次实现上下文成本的完全可视化 可行动洞察：不仅报告问题，更提供具体压缩方案 版本可控：快照机制支持团队协作与回归验证 局限与考量 token 估算为近似值，精密场景建议配合模型专用 tokenizer 当前仅支持 terminal 输出格式，自动化流水线集成需额外开发 优化建议需人工审核，存在过度压缩导致语义损失的风险 适用人群 高频使用长上下文模型的 AI Agent 开发者 需要控制 API 成本的企业工程团队 追求极致 prompt 效率的 LLM 应用架构师 常规风险提示 优化过程可能误删关键指令细节，建议在 production 部署前充分测试优化后的 prompt 行为一致性。 原始说明 Context window optimizer — analyze, audit, and optimize your agent's context utilization. Know exactly where your tokens go before they're sent.