findscripter 文件系统上下文卸载
把文件系统当成 Agent 的「无限上下文层」：写一次、按需选读。核心是用动态上下文发现取代静态全量加载——上下文窗口只保留指针（文件名/描述/路径），需要时才用检索工具拉回完整内容。
何时使用
适用：
- 工具输出（网搜、DB 查询、日志）超过 ~2000 token，正在撑大消息历史
- 任务跨多轮对话，需要持久化计划/状态，防止被摘要或注意力衰减丢失
- 多 Agent 协作，子 Agent 需要共享信息但不想靠「传话游戏」逐跳衰减
- 技能/指令集很多但每次只用一小部分，塞进 system prompt 既费 token 又互相干扰
- 终端/日志输出需要被 Agent 选择性查询（grep 取错误行）
- 想让 Agent 把学到的偏好写回自己的指令文件
不该用（负边界）：
- 任务单轮即可完成，没有跨轮需求
- 上下文本就装得下，卸载只是徒增 I/O 往返
- 延迟极敏感场景——文件读写有开销
- 底层模型能力弱、不会主动判断何时需要回读文件（动态发现依赖模型自觉拉取）
步骤
按场景套用六种模式，统一收敛到「写大块进文件 → 上下文留指针/摘要 → 按需 grep/按行读回」：
- 暂存盘（Scratch Pad）：工具输出超阈值就落盘，返回引用而非全文。
- 计划持久化：把计划写成结构化文件，每轮开头或迷失时回读（「靠复述操纵注意力」）。
- 子 Agent 文件通信：各子 Agent 把发现直接写入文件，协调者直读文件，绕开消息传递的逐跳衰减。
- 动态技能加载：技能存为文件，静态上下文只放「名字+一句描述」，相关时才 read_file 拉全文。
- 终端/日志持久化：把会话输出同步到文件，用 grep 取相关段而非整段回灌。
- 自我修改学习：把学到的偏好写回 Agent 自己的指令文件，下次会话自动加载（需护栏，见注意事项）。
指令
暂存盘落盘逻辑（超阈值才写文件，返回路径+摘要）：
def handle_tool_output(output: str, threshold: int = 2000) -> str:
if len(output) < threshold:
return output
file_path = f"scratch/{tool_name}_{timestamp}.txt"
write_file(file_path, output)
key_summary = extract_summary(output, max_tokens=200)
return f"[Output written to {file_path}. Summary: {key_summary}]"
之后用 grep 搜特定模式、或 read_file 带行范围取定向片段。
计划持久化——结构化存盘，每轮回读：
# scratch/current_plan.yaml
objective: "Refactor authentication module"
status: in_progress
steps:
- id: 1
description: "Audit current auth endpoints"
status: completed
- id: 2
description: "Design new token validation flow"
status: in_progress
检索四件套（模型受过文件系统遍历训练，结构化内容常胜过语义检索）：
ls/list_dir：发现目录结构glob：按模式找文件（**/*.py）grep：搜内容返回匹配行，如grep -A 5 "error" terminals/1.txtread_file带行范围：只读指定行段，不加载整文件
语义检索与文件检索互补：概念性查询用语义，结构化/精确匹配用文件检索。
推荐文件组织（命名一致、带时间戳/ID 便于消歧）：
project/
scratch/ tool_outputs/ plans/ # 临时工作文件
memory/ preferences.yaml patterns.md # 持久学到的信息
skills/ # 可加载的技能定义
agents/ # 子 Agent 工作区
示例
工具输出卸载
输入：网搜返回 8000 token
卸载前：8000 token 进消息历史，全程占用
卸载后：写入 scratch/search_results_001.txt
返回 "[Results in ...001.txt. Key finding: API rate limit is 1000 req/min]"
需要细节时再 grep 该文件
结果：上下文里 ~100 token，8000 token 按需可达
动态技能加载
用户问数据库索引 → 静态上下文仅有 "database-optimization: Query tuning and indexing"
Agent 动作：read_file("skills/database-optimization/SKILL.md")
结果：仅在相关时加载完整技能
聊天历史转文件引用
触发：上下文窗口将满，需要摘要
动作：1) 全量历史写入 history/session_001.txt
2) 生成摘要进新窗口
3) 附引用 "Full history in history/session_001.txt"
结果：摘要丢的细节可回查历史文件找回
注意事项
- 卸载阈值：约定工具输出 >2000 token 才落盘；过小内容直接返回，避免无谓 I/O。
- 返回摘要+引用，不返回全文：这是省 token 的关键；只把指针留在上下文。
- 动态发现依赖模型自觉：前沿模型表现好，弱模型可能识别不出「该回读文件了」——此时退回静态加载更稳。
- 自我修改要加护栏：该模式仍在演进，无校验会让 Agent 累积错误/矛盾指令；写回前做验证。
- scratch 要清理：实现定期清理，防止暂存文件无界增长。
- 度量再优化：测静态/动态上下文比、卸载前后工具输出大小、动态上下文实际被加载的频率，按实测而非假设优化。
互见
- related：
context-budget-audit—— 前者治「运行期工具输出臃肿」，后者治「静态配置开销」，互补。 - related：
context-compression—— 文件引用是一种无损「压缩」，可与有损摘要配合。 - combines_with：
multi-source-knowledge-synthesis—— 子 Agent 文件工作区落盘多源材料，再统一汇编综合。
采编自 sickn33/antigravity-awesome-skills（MIT 许可证）。