# Context Management Context Restore

> 处理上下文管理和上下文恢复时使用

- Skill: `kscz0000/context-management-context-restore` (Agent Skill)
- Install (CLI): `npx skillmds@latest add kscz0000/context-management-context-restore`
- Raw SKILL.md: https://api.skillmd.com/api/skills/kscz0000/context-management-context-restore/raw
- Safety review: pending
- Works with: Claude Code, Claude.ai, OpenAI Codex
- Category: Coding & Dev Tools
- Author: kscz0000 (https://skillmd.com/u/kscz0000)
- Updated: 2026-09-21
- Page: https://skillmd.com/skills/kscz0000/context-management-context-restore

---


# 上下文恢复：高级语义记忆重水合

## 使用此技能的场景

- 处理上下文恢复：高级语义记忆重水合任务或工作流
- 需要上下文恢复：高级语义记忆重水合的指导、最佳实践或检查清单

## 不使用此技能的场景

- 任务与上下文恢复：高级语义记忆重水合无关
- 需要此范围之外的不同领域或工具

## 指令

- 明确目标、约束和所需输入。
- 应用相关最佳实践并验证结果。
- 提供可执行的步骤和验证方法。
- 如需详细示例，请打开 `resources/implementation-playbook.md`。

## 角色声明

上下文恢复专家，专注于跨复杂多智能体 AI 工作流的智能、语义感知的上下文检索和重建。专长是在保持高保真度和最小信息损失的前提下保存和重建项目知识。

## 上下文概述

上下文恢复工具是一个复杂的记忆管理系统，旨在：
- 跨分布式 AI 工作流恢复和重建项目上下文
- 在复杂、长期运行的项目中实现无缝连续性
- 提供智能的、语义感知的上下文重水合
- 维护历史知识完整性和决策可追溯性

## 核心要求和参数

### 输入参数
- `context_source`: 主上下文存储位置（向量数据库、文件系统）
- `project_identifier`: 唯一项目命名空间
- `restoration_mode`:
  - `full`: 完整上下文恢复
  - `incremental`: 部分上下文更新
  - `diff`: 比较并合并上下文版本
- `token_budget`: 恢复的最大上下文 token 数（默认：8192）
- `relevance_threshold`: 上下文组件的语义相似度阈值（默认：0.75）

## 高级上下文检索策略

### 1. 语义向量搜索
- 利用多维嵌入模型进行上下文检索
- 采用余弦相似度和向量聚类技术
- 支持多模态嵌入（文本、代码、架构图）

```python
def semantic_context_retrieve(project_id, query_vector, top_k=5):
    """语义检索最相关的上下文向量"""
    vector_db = VectorDatabase(project_id)
    matching_contexts = vector_db.search(
        query_vector,
        similarity_threshold=0.75,
        max_results=top_k
    )
    return rank_and_filter_contexts(matching_contexts)
```

### 2. 相关性过滤和排序
- 实现多阶段相关性评分
- 考虑时间衰减、语义相似度和历史影响
- 上下文组件的动态加权

```python
def rank_context_components(contexts, current_state):
    """基于多个相关性信号对上下文组件进行排序"""
    ranked_contexts = []
    for context in contexts:
        relevance_score = calculate_composite_score(
            semantic_similarity=context.semantic_score,
            temporal_relevance=context.age_factor,
            historical_impact=context.decision_weight
        )
        ranked_contexts.append((context, relevance_score))

    return sorted(ranked_contexts, key=lambda x: x[1], reverse=True)
```

### 3. 上下文重水合模式
- 实现增量上下文加载
- 支持部分和完整上下文重建
- 动态管理 token 预算

```python
def rehydrate_context(project_context, token_budget=8192):
    """智能上下文重水合，带 token 预算管理"""
    context_components = [
        'project_overview',
        'architectural_decisions',
        'technology_stack',
        'recent_agent_work',
        'known_issues'
    ]

    prioritized_components = prioritize_components(context_components)
    restored_context = {}

    current_tokens = 0
    for component in prioritized_components:
        component_tokens = estimate_tokens(component)
        if current_tokens + component_tokens <= token_budget:
            restored_context[component] = load_component(component)
            current_tokens += component_tokens

    return restored_context
```

### 4. 会话状态重建
- 重建智能体工作流状态
- 保留决策轨迹和推理上下文
- 支持多智能体协作历史

### 5. 上下文合并与冲突解决
- 实现三路合并策略
- 检测并解决语义冲突
- 维护来源和决策可追溯性

### 6. 增量上下文加载
- 支持上下文组件的懒加载
- 为大型项目实现上下文流式传输
- 支持动态上下文扩展

### 7. 上下文验证和完整性检查
- 加密上下文签名
- 语义一致性验证
- 版本兼容性检查

### 8. 性能优化
- 实现高效的缓存机制
- 使用概率数据结构进行上下文索引
- 优化向量搜索算法

## 参考工作流

### 工作流 1：项目恢复
1. 检索最近的项目上下文
2. 根据当前代码库验证上下文
3. 选择性恢复相关组件
4. 生成恢复摘要

### 工作流 2：跨项目知识迁移
1. 从源项目提取语义向量
2. 映射并迁移相关知识
3. 使上下文适应目标项目的领域
4. 验证知识可迁移性

## 使用示例

```bash
# 完整上下文恢复
context-restore project:ai-assistant --mode full

# 增量上下文更新
context-restore project:web-platform --mode incremental

# 语义上下文查询
context-restore project:ml-pipeline --query "model training strategy"
```

## 集成模式
- RAG（检索增强生成）管道
- 多智能体工作流协调
- 持续学习系统
- 企业知识管理

## 未来路线图
- 增强的多模态嵌入支持
- 量子启发的向量搜索算法
- 自愈式上下文重建
- 自适应学习上下文策略

## 局限性
- 仅当任务明确符合上述描述的范围时使用此技能。
- 不要将输出视为环境特定验证、测试或专家审查的替代品。
- 如果缺少所需输入、权限、安全边界或成功标准，请停下来请求澄清。