核心功能
context-engineer 是由 Anvil AI 开发的上下文窗口优化工具，专注于解决 LLM 应用中最隐蔽但代价高昂的问题——上下文 token 的无谓消耗。该 skill 通过系统化的审计机制，帮助开发者精确掌握 token 流向，实现可量化的优化效果。
主要能力模块
1. 工作空间深度分析
- 扫描 SKILL.md、SOUL.md、MEMORY.md 等核心配置文件
- 计算各组件的 token 占用与占比分布
- 生成效率评分与具体优化建议
2. 工具定义审计
- 识别工具定义中的冗余描述与功能重叠
- 量化单个工具与工具集的 token 开销
- 标记未使用或低效的 tool definitions
3. 快照对比系统
- 支持优化前后的基准测量（before/after snapshot）
- 精确计算预期 token 节省量
- 建立可追踪的效率改进指标
技术特性
- 零依赖设计：仅依赖 Python 3 标准库，无需额外安装
- 估算策略：采用 ~4 字符/token 的近似算法，兼顾速度与实用性
- 预算感知：支持自定义 context window 预算（默认 200K），实时显示静态内容 vs 对话可用空间的占比
显著优势
- 成本透明度：首次实现上下文成本的完全可视化
- 可行动洞察：不仅报告问题，更提供具体压缩方案
- 版本可控：快照机制支持团队协作与回归验证
局限与考量
- token 估算为近似值，精密场景建议配合模型专用 tokenizer
- 当前仅支持 terminal 输出格式，自动化流水线集成需额外开发
- 优化建议需人工审核，存在过度压缩导致语义损失的风险
适用人群
- 高频使用长上下文模型的 AI Agent 开发者
- 需要控制 API 成本的企业工程团队
- 追求极致 prompt 效率的 LLM 应用架构师
常规风险提示
优化过程可能误删关键指令细节，建议在 production 部署前充分测试优化后的 prompt 行为一致性。