auto-context

核心用法

auto-context 是一个情境感知协议型 Meta-Skill，其核心机制是在 AI 执行任何重大操作前，自动按优先级加载项目上下文文件。操作流程遵循四级优先级：首先读取 Critical 级别的 TODO.md 和 roadmap.md 获取当前任务与项目方向；其次加载 High 优先级的 task_plan.md 和最近 3 个 handoff 文件；再根据任务相关性选择性读取 Medium/Low 级别的 findings.md、CHANGELOG.md 和 session 文件；最后综合呈现情境摘要并检测文件新鲜度。

该 Skill 设计了智能触发机制，在新任务启动、功能实现、代码重构、问题调试、工作规划、会话恢复等 7 种场景下自动激活，无需用户手动调用。同时提供多路径回退支持，适配不同项目的文件组织习惯。

显著优点

预防性价值突出：通过强制前置情境加载，从根本上消除因信息缺失导致的重复工作、冲突实现和方向偏离，显著降低 AI 辅助开发的隐性成本。

结构化流程设计：四级优先级体系与新鲜度检测机制（24小时/7天/30天分级预警）确保信息质量可控，避免过时上下文误导决策。

生态集成能力：与 /start-task、/intent、/workflow、/progress、/handoff-and-resume 等 6 个核心工作流命令深度集成，形成完整的 AI 辅助开发闭环。

零侵入式部署：纯文档指导型设计，无需修改现有项目结构或引入依赖，通过标准化文件约定即可生效。

潜在缺点与局限性

文件约定依赖： effectiveness 完全取决于团队是否遵循 TODO.md、roadmap.md 等文件规范，在缺乏文档纪律的项目中价值大幅衰减。

Token 消耗权衡：虽然设计了相关性过滤，但高频自动加载仍可能增加 API 调用成本，对大型项目或长会话场景需关注开销。

新鲜度检测局限：提供的 stat 命令检测方法需手动执行，未实现自动化监控，依赖用户主动关注警告信息。

无强制执行机制：作为指导型 Skill，无法阻止其他 AI 实例或工具跳过情境加载步骤，存在执行一致性风险。

适合的目标群体

• AI 辅助开发团队：已建立或计划建立结构化文档规范的技术团队
• 多会话协作场景：需要频繁中断/恢复、多人接力开发的长期项目
• 复杂系统维护者：面对遗留代码库，需要快速重建情境的工程师
• AI 工作流设计者：构建自定义 AI 开发工具链的产品团队

使用风险

性能风险：大型项目的 roadmap 或 CHANGELOG 可能体积庞大，自动加载可能导致上下文窗口溢出或响应延迟。建议配合分块读取策略使用。

依赖项风险：该 Skill 本身无代码依赖，但实际效果依赖宿主 AI 平台对 Skill 协议的解析能力，不同平台（OpenClaw/Moltbot/Clawbot）可能存在行为差异。

一致性风险：若团队成员混用遵循/不遵循该协议的 AI 工具，可能产生情境加载状态不一致，导致协作摩擦。

过度依赖风险：长期使用后团队可能弱化主动文档维护意识，一旦脱离 AI 辅助，人工情境重建能力下降。

核心用法

auto-context 是一个元技能（Meta-Skill），它本身不执行具体业务逻辑，而是作为 AI 助手的"前置感知层"运行。在用户开始新任务、实现功能、重构代码、调试问题、规划工作或恢复会话之前，该技能会自动触发，按照优先级读取项目中的关键上下文文件（如 TODO.md、roadmap.md、task_plan.md、交接笔记等），并生成结构化的上下文摘要，以确保 AI 在具备完整"情景意识"的状态下行动。

核心工作流程分为四步：1) 始终加载关键文件（TODO.md + roadmap.md）；2) 若存在则加载高优先级文件（任务计划、最近 3 次交接记录）；3) 根据任务类型按需加载中等/低优先级文件（如调试时读 findings.md 和 CHANGELOG.md）；4) 综合所有信息输出标准化上下文摘要，并附带文件时效性检测警告。

显著优点

1. 杜绝重复工作：通过在每次行动前强制同步项目状态，从机制上避免 AI 因"失忆"而进行重复实现或与现有代码冲突。时效性检测（Staleness Detection）进一步防止依赖过时信息做决策。

2. 零安全风险：该技能为纯 Markdown 指令集，代码库中无任何可执行代码、无外部依赖、无网络请求、不访问环境变量或用户隐私数据，安全评级达到最高等级 S+。唯一的"操作"是指示 AI 读取本地项目文件，所有行为透明可控。

3. 轻量无侵入：通过一个简单的 npx 命令即可安装，不引入任何第三方包或供应链依赖。它与其他工作流命令（如 /start-task、/workflow、/handoff-and-resume）通过"执行顺序"模式无缝集成，作为任何主要操作的前置步骤静默运行。

4. 智能聚焦：并非无差别读取所有文件。其"分层加载策略"根据任务具体类型（快速修复 vs 大型规划）动态决定读取深度，在"信息充分"和"Token 效率"之间取得平衡，避免上下文窗口被无关信息淹没。

潜在缺点或局限性

• 依赖外部文件存在：该技能的前提是项目已维护好 TODO.md、roadmap.md 等标准文件。对于缺乏这些文档的即兴项目，虽然技能会发出友好警告并继续运行，但其核心价值将大打折扣，AI 实质上处于"盲操"状态。
• 个人开发者维护：此技能来自 T2 可信度的 openclaw/skills 组织仓库，但实际由个人开发者 wpank 维护。社区支持力度和长期维护保障可能弱于大型组织或企业维护的项目，更依赖用户自行审查上游变更。
• 缺少许可证声明：项目根目录无 LICENSE 文件，这对于需要严格合规审批的企业团队来说是一个明确的合规性阻碍，可能在法务审核中被退回。
• 独立性有限：作为元技能，必须与支持其挂载协议（执行顺序模式）的 AI 宿主环境配合使用。如果你使用的基础 Agent 平台不支持此类扩展机制，该技能无法独立生效。

适合的目标群体

• 多会话、长周期项目开发者：在频繁中断和恢复的开发流程中，此技能能极大降低"我上次做到哪了"的心智负担。
• 多 AI 协作或频繁交接的团队：通过强制加载最新的交接笔记和任务计划，确保每位团队成员（或不同 AI 实例）接手时都能快速重建相同的项目心智模型。
• 注重工作流规范的工程团队：已将 /start-task、/handoff 等命令融入日常工作流，并维护了完善的 TODO.md 和 roadmap.md 文档体系的团队，能从该技能中获得最大收益。

使用风险

1. 性能与 Token 消耗：虽然技能设计了分层加载策略来优化，但在"规划"模式下仍需读取大量文件。对于超大型项目，这可能在单次会话中消耗较多 Token，略微增加使用成本。建议开发者偶尔审查上下文摘要的"读取文件列表"，确认没有不必要的文件被反复读取。

2. 信息污染风险：如果项目文档（如 TODO.md）维护不善、充满过时或错误信息，那么该技能会将"垃圾信息"制度化地注入每次行动的上下文，反而降低 AI 输出质量。技能的效力与其读取的文档质量严格正相关。

3. 上游变更风险：由于来自社区个人开发者，未来版本更新理论上可能引入新的指令。虽然当前版本极为安全，但使用者应养成在每次更新前审查 diff 的习惯，或将依赖锁定在经验证的版本哈希上，防止潜在的指令投毒。