核心用法
Context Slimmer 是一款面向大模型工作区上下文管理的专用审计工具，核心功能是系统性地测量、分析和优化始终加载的上下文文件（AGENTS.md、TOOLS.md、USER.md、MEMORY.md、HEARTBEAT.md、SOUL.md、IDENTITY.md、HEARTBEAT.md）。用户通过 bash scripts/measure.sh 快速测量当前token成本，或使用 --audit 参数获取完整的优化建议报告。
显著优点
精准的token审计机制：明确设定8个核心文件的lean target（AGENTS.md <500 tokens、IDENTITY.md <50 tokens等），总目标控制在2,800 tokens以内，为开发者提供可量化的优化基准。
三层优化策略：建立清晰的决策框架——Move（移至按需加载的skill）、Remove（删除过时/重复内容）、Compress（压缩冗长说明），避免盲目删减导致功能损失。
实战验证的规则：内置7条经验法则，如"cron job处理的内容应从HEARTBEAT.md移除""SOUL.md内容不在AGENTS.md重复"等，减少主观判断成本。
结构化输出：报告包含当前大小、预估优化后大小、单文件节省量，以及按move/remove/compress分类的具体建议，便于执行跟踪。
潜在缺点与局限性
依赖人工执行：工具仅输出建议，实际文件修改需用户手动完成，存在"知易行难"的执行落差风险。
静态目标可能僵化：2,800 token总目标基于通用场景设定，特定复杂项目（如多角色协作、高频任务切换）可能需要更高上下文负载，盲目追求目标可能损害功能完整性。
未覆盖动态上下文：专注于静态文件优化，未涉及对话历史、检索增强生成（RAG）等动态上下文的token管理，全面优化需配合其他工具。
适合人群
- 使用大模型进行长期项目开发、上下文文件膨胀的开发者
- 追求token成本优化、响应速度提升的AI工程团队
- 需要维护复杂agent配置、多文件协作系统的技术负责人
常规风险
过度压缩风险：激进执行remove/compress可能导致关键上下文丢失，使agent行为偏离预期。建议在修改前备份文件，并小范围测试验证。
文件依赖断裂：move操作若未更新相关引用路径，可能导致skill加载失败。需配合版本控制与变更审查流程。
目标误用：将lean target绝对化，忽视业务场景实际需求，可能引发"为优化而优化"的反效果。建议将目标视为参考基准而非强制红线。