利用文件系统优化 AI 的上下文管理（Context Engineering）

解决 AI 上下文窗口有限且易被冗余信息填满的痛点：通过将文件系统作为“外部存储”，让 AI 按需加载相关信息，而非在对话中携带所有数据。

为什么需要这个技能

在复杂的开发或研究任务中，AI 经常面临两个极端问题：一是上下文窗口不足，导致早期的指令或关键信息被截断；二是工具输出（如大规模搜索结果、数据库查询）过大，迅速撑爆 Token 限制，导致 AI 反应迟钝或丢失重点。

本技能的核心理念是将文件系统作为 AI 的“动态内存”。通过将大体积数据、长期计划和跨代理信息存储在文件中，AI 可以在需要时通过 grep、ls 或 read_file 精准检索，实现“按需加载”，从而在保持高性能的同时处理海量信息。

适用场景

• 处理大体积输出：当 Web 搜索或日志分析返回数千个 Token 时，将其写入文件而非直接返回给 AI。
• 长程任务追踪：需要 AI 在多轮对话中严格执行复杂计划，通过维护一个 plan.yaml 文件来防止目标偏移。
• 多 Agent 协作：多个子代理通过共享文件空间传递成果，避免繁琐且易失真的消息传递链。
• 动态技能加载：拥有大量指令集，但每项任务只需其中一部分，通过文件存储仅在需要时加载特定 Skill。
• 自我进化学习：让 AI 将用户的偏好或学到的新知识写入持久化配置文件，在后续会话中自动加载。

核心工作流

1. 临时暂存区（Scratch Pad）模式

当工具输出超过阈值（如 2000 Tokens）时，不将其直接放入对话历史，而是执行以下操作：

• 将全文写入 scratch/output_{timestamp}.txt。
• 仅向 AI 返回该文件的路径及一个简短的摘要。
• AI 根据需要使用 grep 搜索特定关键词或读取特定行号。

2. 计划持久化（Plan Persistence）模式

创建结构化的状态文件（如 YAML 格式），记录任务目标、当前进度和待办事项。AI 在每轮对话开始或迷茫时重新读取此文件，确保执行路径不偏差。

3. 动态上下文发现流程

• 静态上下文：仅保留核心指令和文件目录索引。
• 动态加载：AI 根据当前任务需求 识别所需文件 使用 read_file 加载具体内容 执行任务。

下载和安装

下载 filesystem-context 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