$ loading_
帮助开发者为 AI 代理优化上下文，减少令牌消耗并改进工具检索。
复制安装指令，让 AI 自动完成配置 · 推荐新手
"ratel" 暂无可直接复制的安装信息，请查看页面文档或源码仓库。
我正在构建一个多工具 AI 代理。请基于 ratel 的思路，设计一套上下文工程方案，把提示词与工具说明压缩到最少，同时保证任务准确率，并说明如何减少 80% 左右的 token 消耗。
一套精简上下文方案，包括提示结构、工具暴露策略和降 token 方法。
我的 AI 代理接入了太多工具，模型经常选错。请用 ratel 的方法重构工具调用层，给出如何按任务动态提供工具、避免工具过载，并提升调用准确性的具体方案。
一个工具治理方案，说明工具筛选、分层暴露与调用优化流程。
请帮我为 AI 代理设计一套无需向量数据库和 embeddings 的记忆系统，使用进程内 BM25 检索技能、历史任务和文档片段，并说明适合的存储结构与召回流程。
一套轻量记忆架构，包含 BM25 检索逻辑、数据组织方式和使用场景。
为 AI 编码代理提供持久记忆与规则约束，减少重复犯错并提升开发稳定性。
为 AI 代理智能筛选最相关技能上下文，显著降低 token 消耗并提升响应准确性。
为 AI 编码代理提供跨会话持久记忆，持续记录人物、决策与项目上下文。
为各类 AI 代理跨会话保存、压缩并注入可延续的上下文记忆
为 AI 工具提供跨平台行为记忆，持续学习用户偏好与上下文。
为 AI 编码代理提供开发、文档、规划等扩展技能集合，提升专业工作流能力。