Smart Context 技能评估
核心用法
Smart Context 是一套面向大语言模型代理（Agent）的 token 效率优化协议，核心目标是在保证任务完成质量的前提下，最大限度降低计算成本。该技能通过四大支柱实现效率提升：
1. 响应分级机制：根据问题复杂度匹配输出长度——从单句回复到结构化详细分析，避免"过度服务"简单请求。
2. 上下文智能管理：建立严格的文件读取规则，禁止不必要的内存搜索、重复读取和长期记忆加载，优先复用已有上下文信息。
3. 工具调用优化：推行批量并行调用、优先使用 exec/grep 等聚合操作、避免轮询循环、跳过低风险操作的验证环节，以及针对大文件的部分读取策略。
4. 任务委托策略：在可用时，将背景研究、批量处理、数据格式化等低交互需求任务委托给更便宜的子代理或模型。
显著优点
- 成本效益显著：直接针对 LLM 计费模式（按 token 计费）设计，节省效果可量化
- 执行边界清晰：通过详尽的反模式清单和规则表格，降低误判概率
- 场景覆盖全面：涵盖文本、图像、工具调用、子代理委托等全链路
- 元规则简洁有力："Think like you're paying the bill" 形成强行为锚点
潜在局限
- 需要配套基础设施：委托策略依赖子代理/后台会话支持，单模型环境受限
- 质量风险权衡：跳过验证环节、压缩响应可能在复杂边缘场景牺牲准确性
- 执行依赖代理自律：缺乏强制约束机制，实际效果取决于实现层面的遵循程度
- 图像场景判断模糊："除非特别需要"的标准主观性较强
适合人群
- 运营大规模 AI 代理系统的开发者与团队
- 对 API 成本敏感的企业级应用场景
- 需要处理高频、多样化请求的中枢代理架构
常规风险
| 风险类型 | 具体表现 | 缓释建议 |
|---------|---------|---------|
| 过度压缩 | 复杂问题得到过于简略的回复 | 建立升级机制，允许用户请求详细版 |
| 上下文遗漏 | 为省 token 跳过关键文件读取 | 设置任务类型白名单，强制读取敏感场景 |
| 委托失效 | 子代理质量不足导致结果偏差 | 建立委托任务的质量抽检与回退机制 |
| 反模式回潮 | 开发实现未严格遵守协议 | 配套自动化检测工具或评估基准 |