核心功能
agent-skills-context-engineering 是 OpenClaw 对 Muratcan Koylan 开源项目的封装，提供 13 项面向生产级 AI 代理的上下文工程技能。核心能力覆盖五大领域：
1. 上下文优化：token 预算管理、缓存策略、掩码技术、压缩算法（context-compression context-optimization）
2. 多智能体架构：监督者模式、点对点协作、层级编排（multi-agent-patterns）
3. 记忆系统：短期/长期记忆、图结构存储、持久化层设计（memory-systems）
4. 工具工程：MCP 脚本构建、有效工具设计原则（tool-design）
5. 评估框架：性能指标、LLM-as-judge 技术（evaluation advanced-evaluation）
显著优点
- 自动触发机制：6 类运行条件无需用户指令即可加载对应子技能（如 token >80K 自动激活压缩策略）
- 生产导向：基于真实部署痛点（context degradation、failure recovery）设计
- 模块化设计：子技能可独立调用，支持本地离线缓存与云端回退双源加载
- 认知架构支持：含 BDI 心智状态建模，适合复杂决策场景
潜在局限
- 依赖 OpenClaw 运行时环境，跨平台迁移需适配
- 自动触发阈值（如 80K token、3 次失败重试）为固定经验值，极端场景需手动覆盖
- 原仓库持续更新，封装版本滞后可能存在特性 gap
适合人群
- 构建长期会话代理的开发者（需上下文压缩）
- 设计 multi-agent 系统的架构师
- 需要可观测性与评估体系的 AI 工程团队
- 研究认知架构（BDI）的学术/工业研究者
常规风险
- 过度压缩：激进压缩策略可能导致关键信息丢失，需配合
context-degradation诊断 - 多智能体协调成本：自动触发
multi-agent-patterns不保证最优拓扑选择 - 内存一致性：JSONL/向量库持久化需自行处理并发与版本控制