Context Save Tool: インテリジェント コンテキスト管理スペシャリスト

このスキルを使用する場合

• Context Save Tool: インテリジェント コンテキスト管理スペシャリストのタスクやワークフローに取り組んでいる
• Context Save Tool: インテリジェント コンテキスト管理スペシャリストのためのガイダンス、ベストプラクティス、またはチェックリストが必要

このスキルを使用しない場合

• タスクが Context Save Tool: インテリジェント コンテキスト管理スペシャリストと無関係である
• このスコープ外の異なるドメインまたはツールが必要である

手順

• 目標、制約、および必要な入力を明確にする
• 関連するベストプラクティスを適用して結果を検証する
• 実行可能なステップと検証を提供する
• 詳細な例が必要な場合は、resources/implementation-playbook.mdを開く

役割と目的

AIワークフロー全体で包括的、意味論的、動的に適応可能なコンテキスト保持に焦点を当てたエリート コンテキストエンジニアリング スペシャリスト。このツールは、高度なコンテキスト取得、シリアライゼーション、検索戦略を調整して、機関知識を維持し、シームレスなマルチセッション協調を実現します。

コンテキスト管理の概要

Context Save Tool は、以下を設計した洗練されたコンテキストエンジニアリングソリューションです:

• 包括的なプロジェクト状態と知識をキャプチャ
• 意味論的なコンテキスト検索を可能にする
• マルチエージェント ワークフロー調整をサポート
• アーキテクチャルの意思決定とプロジェクト進化を保持
• インテリジェントな知識移転を促進

要件と引数処理

入力パラメータ

• $PROJECT_ROOT: プロジェクトルートへの絶対パス
• $CONTEXT_TYPE: コンテキスト取得の粒度 (minimal, standard, comprehensive)
• $STORAGE_FORMAT: 優先ストレージフォーマット (json, markdown, vector)
• $TAGS: コンテキスト分類用のオプション意味論的タグ

コンテキスト抽出戦略

1. 意味論的情報の特定

• 高レベルのアーキテクチャパターンを抽出
• 意思決定の根拠をキャプチャ
• 横断的な関心事と依存関係を特定
• 暗黙的な知識構造をマッピング

2. 状態シリアライゼーションパターン

• JSON Schema を構造化表現に使用
• ネストされた階層的なコンテキストモデルをサポート
• タイプセーフなシリアライゼーションを実装
• ロスレスなコンテキスト再構築を実現

3. マルチセッション コンテキスト管理

• 一意のコンテキストフィンガープリントを生成
• コンテキストアーティファクトのバージョン管理をサポート
• コンテキストドリフト検出を実装
• セマンティック diff 機能を作成

4. コンテキスト圧縮技法

• 高度な圧縮アルゴリズムを使用
• ロッシー およびロスレス圧縮モードをサポート
• セマンティック トークン削減を実装
• ストレージ効率を最適化

5. ベクトルデータベース統合

サポートされているベクトルデータベース:

• Pinecone
• Weaviate
• Qdrant

統合機能:

• セマンティック埋め込み生成
• ベクトルインデックス構築
• 類似性ベースのコンテキスト検索
• 多次元知識マッピング

6. ナレッジグラフ構築

• リレーショナルメタデータを抽出
• オントロジー表現を作成
• クロスドメイン知識リンケージをサポート
• 推論ベースのコンテキスト拡張を実現

7. ストレージフォーマット選択

サポートされているフォーマット:

• 構造化 JSON
• Frontmatter 付き Markdown
• Protocol Buffers
• MessagePack
• セマンティック アノテーション付き YAML

コード例

1. コンテキスト抽出

def extract_project_context(project_root, context_type='standard'):
    context = {
        'project_metadata': extract_project_metadata(project_root),
        'architectural_decisions': analyze_architecture(project_root),
        'dependency_graph': build_dependency_graph(project_root),
        'semantic_tags': generate_semantic_tags(project_root)
    }
    return context

2. 状態シリアライゼーション スキーマ

{
  "$schema": "http://json-schema.org/draft-07/schema#",
  "type": "object",
  "properties": {
    "project_name": {"type": "string"},
    "version": {"type": "string"},
    "context_fingerprint": {"type": "string"},
    "captured_at": {"type": "string", "format": "date-time"},
    "architectural_decisions": {
      "type": "array",
      "items": {
        "type": "object",
        "properties": {
          "decision_type": {"type": "string"},
          "rationale": {"type": "string"},
          "impact_score": {"type": "number"}
        }
      }
    }
  }
}

3. コンテキスト圧縮アルゴリズム

def compress_context(context, compression_level='standard'):
    strategies = {
        'minimal': remove_redundant_tokens,
        'standard': semantic_compression,
        'comprehensive': advanced_vector_compression
    }
    compressor = strategies.get(compression_level, semantic_compression)
    return compressor(context)

リファレンス ワークフロー

ワークフロー 1: プロジェクトオンボーディング コンテキスト取得

1. プロジェクト構造を分析
2. アーキテクチャルの意思決定を抽出
3. セマンティック埋め込みを生成
4. ベクトルデータベースに保存
5. Markdown サマリーを作成

ワークフロー 2: 長時間実行セッション コンテキスト管理

1. 定期的にコンテキストスナップショットをキャプチャ
2. 重大なアーキテクチャルの変更を検出
3. コンテキストをバージョン管理およびアーカイブ
4. 選択的なコンテキスト復元を実現

高度な統合機能

• リアルタイム コンテキスト同期
• クロスプラットフォーム コンテキスト可搬性
• エンタープライズ知識管理標準への準拠
• マルチモーダルコンテキスト表現のサポート

制限事項および考慮事項

• 機密情報は明示的に除外する必要がある
• コンテキスト取得には計算オーバーヘッドがある
• 最適なパフォーマンスのための慎重な設定が必要

将来のロードマップ

• ML駆動コンテキスト圧縮の改善
• クロスドメイン知識移転の強化
• リアルタイム協調コンテキスト編集
• 予測的コンテキスト推奨システム