防止 AI 上下文压缩导致关键信息丢失

解决 AI 在长对话中因触发自动上下文压缩（Context Compression）而导致细节丢失的问题，通过在压缩前执行结构化提取与多层备份，确保复杂项目的连续性。

为什么需要这个技能

在使用 Claude Code 等 AI 工具时，当对话接近上下文窗口限制，AI 会自动压缩旧消息。这种压缩是启发式的，虽然能释放空间，但不可避免地会丢失技术细节。

对于简单的任务这没有影响，但对于大型技术项目（如涉及数十个 Skill 的生态系统、安全审计或架构重构），丢失一个关键的决策原因或 Bug 修复细节，可能会导致 AI 在后续对话中产生回归错误，甚至让开发者陷入重复工作的死循环。

适用场景

• 复杂技术项目：涉及大量文件修改、复杂依赖关系的开发任务。
• 长周期会话：对话极其冗长，AI 已开始出现“总结性”回复或提示上下文压缩。
• 高精度要求场景：任何细微的逻辑丢失都会导致严重 Bug 的修复工作（如安全漏洞补丁）。
• 任务切换前：在准备进行下一个大步骤前，需要给当前的进度做一次“存档点”。

核心工作流

Context Guardian 并非在会话结束后才起作用，而是在会话过程中实时检测并拦截潜在的丢失。

1. 结构化提取（分级保存）

AI 将当前所有关键信息分为三个优先级进行提取：

• P0（致命级）：必须三重冗余保存。包括架构决策（及原因）、已完成/未完成的任务状态、具体的 Bug 修复路径、执行成功的完整命令。
• P1（严重级）：需经校验保存。包括代码模式、组件依赖、用户偏好及待解决的疑点。
• P2（可容忍级）：仅保留紧凑摘要。包括尝试过的错误路径、进度度量等。

2. 完整性校验

在保存前执行心理清单检查，确保每个修改的文件都有：路径 变更性质 原因。如果发现缺失，则回溯提取。

3. 三层冗余持久化

为了确保绝对不丢失，信息被同步至三处：

• 结构化快照：调用 context_snapshot.py 生成带时间戳的 .md 文件。
• MEMORY.md：将 P0 级核心信息写入项目的全局记忆文件，确保下次加载。
• Context-agent：调用 context_manager.py 进行全量会话索引。

4. 生成过渡简报（Transition Briefing）

在压缩发生前的最后一刻，AI 会输出一个包含当前状态、关键路径和恢复指南的简报，使其处于压缩后上下文的顶端，作为后续对话的“接力棒”。

下载和安装

下载 context-guardian 中文版 Skill ZIP

解压后将目录放入你的 AI 工具 skills 文件夹，重启工具后即可使用。具体路径参考内附的 USAGE.zh.md。

你可能还需要

暂无推荐