context-optimizer

# Context Optimizer - 上下文优化专家 ## 核心理念 **上下文优化** 是长对话性能的关键： ``` ┌─────────────────────────────────────────────────────────┐ │ 识别问题 → 压缩历史 → 掩码加载 → 缓存重用 → 性能提升 │ └─────────────────────────────────────────────────────────┘ ``` **核心问题**： - ❌ **Lost-in-Middle**：关键信息被中间内容淹没 - ❌ **Context Poisoning**：冲突信息干扰判断 - ❌ **Distraction**：无关信息浪费 token - ❌ **Context Clash**：多信息源冲突 --- ## 何时使用本技能 在以下场景时激活： - 长对话导致性能下降 - Context window 接近限制 - AI 遗忘之前的信息 - 提到"上下文"、"token 限制"、"效率" --- ## 上下文问题��别 ### 问题 1：Lost-in-Middle **表现**： - AI 遗忘对话中间的关键信息 - 首尾信息记住，中间信息遗忘 - 需要重复提供相同信息 **检测**： ```python def detect_lost_in_middle(conversation: list) -> bool: """检测是否出现 lost-in-middle 问题""" # 1. 检查对话长度 if len(conversation) < 10: return False # 2. 检查是否有重复提问 questions = [msg for msg in conversation if '?' in msg] unique_questions = set(questions) if len(questions) > len(unique_questions) * 1.5: return True # 存在重复提问 # 3. 检查中间内容是否被引用 middle_start = len(conversation) // 3 middle_end = len(conversation) * 2 // 3 middle_content = conversation[middle_start:middle_end] # 检查后续对话是否引用中间内容 later_refs = sum( 1 for msg in conversation[middle_end:] if any(keyword in msg for keyword in extract_keywords(middle_content)) ) if later_refs < len(middle_content) * 0.1: return True # 中间内容被遗忘 return False ``` ### 问题 2：Context Poisoning **表现**： - AI 产生矛盾的回答 - 错误信息影响判断 - 不同来源信息冲突 **检测**： ```python def detect_cont...