Context Slimmer 是一款专为优化 AI 代理系统上下文管理而设计的工具，旨在审查并精简那些在每次消息交互中始终加载的上下文文件。这些文件通常包含系统身份、用户信息、工具定义和记忆片段等关键数据，但随着项目复杂度增加，它们可能变得臃肿，导致令牌（token）消耗激增，影响响应效率与成本。通过自动化分析当前上下文的令牌开销，Context Slimmer 能够精准识别冗余、重复或过时的内容，从而帮助开发者显著减少整体令牌使用量。
该工具的核心价值在于其系统化的审计流程：它逐项评估每个始终加载的文件，判断其内容是否真正必要。例如，某些仅在特定任务中才需要的配置信息（如详细协议或一次性设置说明）可被迁移至按需加载的技能文件中；而过时功能、已完成任务的记录或跨文件重复的信息则建议移除或压缩。这种精细化处理不仅降低了运行开销，也提升了代理对核心指令的理解准确性。
Context Slimmer 提供清晰的输出报告，包括每类文件的当前大小、优化后预估大小及节省的令牌数量，并按‘移动’、‘删除’、‘压缩’三类给出具体操作建议。同时，它还设定了各文件类型的轻量化目标（如 AGENTS.md 应小于 500 tokens），引导团队建立可持续的上下文管理规范，确保长期维护的系统既高效又经济。
核心功能特点
- 自动测量当前上下文文件的总令牌消耗，并提供详细的开销分析报告
- 智能识别可迁移、可删除或需压缩的内容，按优先级分类给出优化建议
- 支持批量审计多个核心上下文文件（如 AGENTS.md、USER.md、MEMORY.md 等）
- 设定轻量级目标文件大小，推动团队建立标准化的上下文精简规范
- 输出结构化报告，清晰展示每项优化带来的令牌节省效果
适用场景
Context Slimmer 特别适用于需要长期维护复杂 AI 代理系统的开发团队，尤其是在多角色协作、工具集成频繁更新的场景中。例如，在一个拥有多个专用代理（如客服、运维、数据分析）的团队中，每个代理都依赖一组共享的上下文文件来理解自身职责和环境规则。随着时间推移，这些文件中会积累大量过时信息、重复说明或冗长解释，导致每次推理都浪费大量计算资源。此时，使用 Context Slimmer 进行定期审计，可以快速定位问题并系统性清理，避免令牌滥用。
另一个典型应用场景是面向客户部署的 AI 助手系统。这类系统往往需要在有限预算下保持高性能，而上下文文件中的每一行都可能转化为高昂的 API 调用成本。通过 Context Slimmer 的压缩建议，可以将原本长达数段文字的‘使用说明’简化为一句触发词提示，或将历史聊天记录归档至外部数据库而非常驻内存。这不仅降低了运营成本，还提升了代理对实时请求的响应速度。
此外，对于采用微服务架构或多代理协同工作的项目，Context Slimmer 还能帮助统一上下文标准。比如确保 USER.md 中的用户偏好不再被 MEMORY.md 重复记录，或避免 SOUL.md 中的核心原则在多个文件中重复出现。这种一致性维护有助于提升代理行为的可预测性，并为后续扩展新代理或功能打下坚实基础。