上下文路由器Skill：让 AI 只读「需要的那几行」，把令牌消耗降下来
- 一句话定位：它是所有技能数据的通用查询路由器，用关键字检索代替整文件读取，只把匹配到的条目交给 AI 代理。
- 解决的核心痛点：直接读取数百行的数据文件会白白消耗大量令牌，而真正有用的往往只有其中一两条记录。
- 最核心的用法：一条
--query命令即可在全部技能数据中搜索；加--skill可限定范围；加--source与--id可精确取项。 - 零配置上手：路由器会自动发现
.agent/skills/*/data/下的所有.json文件，新增数据源无需改代码。 - 适用对象：构建多技能 AI 代理的开发者、需要跨技能资料检索的团队，以及关心上下文成本与响应速度的效率工具用户。
该技能叫什么？如何下载安装 AI 技能提升开发效率？
技能中文名：上下文路由器Skill 技能英文名：context-router 技能ID：12858
这个技能要解决的问题非常具体：当一个 AI 代理需要回答某个细分问题时，它过去往往要把整个数据文件从头读到尾——几百行 JSON 全部进入上下文窗口。结果是两败俱伤：令牌被大量消耗、成本上升、响应变慢；同时无关信息还会稀释注意力，让答案质量下降。上下文路由器（Smart Context Protocol，智能上下文协议）的思路是：代理带着问题来查询，路由器只返回匹配的条目，实现「只检索相关数据以节省令牌」。
安装与接入的三个步骤
第一步：确认安装前提
- 工作区中已经存在
.agent/skills/这一技能目录结构（该技能的标准脚本路径为.agent/skills/context-router/scripts/context_router.py）。 - 本机具备可运行的 Python 环境，可通过
python命令执行脚本。 - 各技能的数据文件以
.json格式放在各自的data/目录下，例如.agent/skills/<技能名>/data/。路由器会自动发现这些文件，不需要手动登记清单。
第二步：获取并放入技能目录
按你的 AI 技能平台/市场的常规安装方式获取 context-router 技能包，解压或安装到 .agent/skills/context-router/ 下，确认 scripts/context_router.py 存在。具体下载入口、是否需要授权或付费，以官方说明为准。
第三步：验证是否生效
执行数据源列举命令：
python .agent/skills/context-router/scripts/context_router.py --list
如果命令能正常返回可用的数据源列表，说明路由器已成功发现你的 JSON 数据文件，技能生效。若列表为空，优先检查数据文件是否放在 .agent/skills/*/data/ 目录、扩展名是否为 .json、文件内容是否为合法 JSON。
「一键安装、立即提速」的思路在这里体现得很直接：无需改造现有技能、无需重建索引、无需额外服务，装好脚本即可开始省令牌。
该技能的主要功能和特点
- 全库关键字检索：
--query "关键字"在所有技能数据文件中搜索，返回匹配条目而非整份文件。 - 按技能限定范围：
--skill meta-thinker把检索收紧到某一个技能的数据内，进一步降低无关返回。 - 数据源自动发现：自动扫描
.agent/skills/*/data/下所有.json文件，新增技能数据即插即用，避免维护索引配置。 - 数据源清单查看：
--list一条命令列出全部可用数据源，便于代理或人快速判断「该去哪里找」。 - 按 ID 精确取项：
--skill <技能> --source <数据源> --id <标识>可直取某一条记录，例如按--id fintech拿到金融科技这一条，适合已知目标键的确定性查询。 - 行为约定（协议层设计）：技能明确要求代理「始终在直接读取原始数据文件之前先使用本路由器」，把「先查再读」变成默认习惯，而不是可选优化。
- 与普通工具相比强在哪：和直接读文件相比，它天然做了「结果裁剪」；和通用命令行 grep 相比，它内置了技能目录约定与 JSON 条目级返回，无需自己拼路径、不用自己解析结构。
如何使用该技能？
步骤 1：先看有哪些数据源
python .agent/skills/context-router/scripts/context_router.py --list
输出说明：列出当前工作区中所有被自动发现的数据源，帮助你判断检索范围。
步骤 2：全局模糊检索（最常用）
python .agent/skills/context-router/scripts/context_router.py --query "fintech"
输入示例：一个关键词（如上例为金融科技）。输出说明：仅返回包含该关键词的条目，而不是整份数据文件。
步骤 3：缩小到某个技能
python .agent/skills/context-router/scripts/context_router.py --skill meta-thinker --query "SCAMPER"
输入示例：技能名 meta-thinker + 关键词 SCAMPER。适用场景：你已经知道答案大概在哪个技能的资料里，只想在该技能的 JSON 中查找。
步骤 4：按数据源与 ID 精确命中
python .agent/skills/context-router/scripts/context_router.py --skill meta-thinker --source industry_database --id fintech
输入示例：技能 meta-thinker、数据源 industry_database、记录标识 fintech。输出说明：直接返回该条记录，适合后续步骤需要复用某条确定数据的场景。
步骤 5：把「先查再读」写进代理提示词
在该技能的协议约定下，应让代理优先执行 context_router.py --query "..."，只有在路由器返回结果不足时才回退到读取原始 JSON。示例提示词片段：
需要任何技能数据时，先用上下文路由器检索：
python .agent/skills/context-router/scripts/context_router.py --query "你的关键词"；仅在返回为空或明显不足时，才读取原始数据文件。
同类型竞品对比分析
| 方案名称 | 定位 | 核心功能 | 安装/使用门槛 | 适用场景 | 优势与不足 |
|---|---|---|---|---|---|
| context-router（上下文路由器） | 技能数据的通用查询路由器 | 关键字检索、按技能限定、按数据源+ID 精确取项、数据源自动发现 | 低：放入 .agent/skills/context-router/，具备 Python 环境即可 |
多技能工作区中的按需取数、代理委派前的上下文收集 | 优势：条目级返回、令牌省、零索引维护、协议化约定；不足：基于关键字匹配，不理解语义，返回质量依赖关键词选得准不准 |
| 直接读取原始 JSON 文件 | 最朴素的取数方式 | 把整份文件读入上下文 | 极低：任何代理默认就会 | 数据文件很小（几十行以内）、需要通读全局结构 | 优势：无需额外工具、信息完整；不足：令牌消耗大、无关信息干扰判断、文件越大越不经济 |
| 命令行 grep / ripgrep | 通用文本检索 | 按正则或关键字搜索文件行 | 中：需要自己拼路径、处理输出、解析 JSON 片段 | 开发者人工排查、临时定位某行日志或字段 | 优势：速度快、通用性强；不足：返回的是文本行而非结构化条目，代理还需二次解析，且不感知技能目录约定 |
| 向量检索 / RAG 方案 | 语义级知识检索 | 向量化、相似度召回、可跨文档 | 高：需要嵌入模型、向量库、切分与更新流程 | 大规模非结构化文档问答 | 优势：语义召回强、可跨格式；不足：链路重、有构建与维护成本，对小规模结构化 JSON 而言属于过度设计 |
该技能的典型应用场景与实际体验情况
场景一：多技能代理工作区里的日常取数
角色：正在搭建多技能 AI 代理的开发者。痛点：技能一多，每个技能目录下都有 JSON 数据，代理每次都要整份读取，令牌账单肉眼可见地涨。使用方式：在代理的提示词里写入「先 --query 再读文件」的规则。实际体验：上手几乎没有学习成本，脚本参数就那么几个；只要关键词选得贴近数据里的原词，返回就非常干净，一次查询就能拿到需要的那几条。
场景二：领导代理在委派前的上下文收集
角色：负责统筹多个子任务的「领导」型代理。痛点：在把任务分派给下属代理前，需要先为特定领域收集背景资料，但没必要把所有资料都塞进自己的上下文。使用方式：先用 --query 检索该领域关键词，拿到聚焦信息后再委派。实际体验：上下文保持了轻量，委派指令更聚焦；注意检索词要具体，过于宽泛的词会召回偏多，反而失去「聚焦」的意义。
场景三：大型数据文件中定位单条记录
角色：需要复用某条确定数据的代理流程。痛点：只想拿 industry_database 里 fintech 这一条，却要读完整个数据库。使用方式：--skill ... --source ... --id ... 精确取项。实际体验：这是最省令牌的路径，命中即返回，结果可直接进入下一步推理；前提是你得知道数据源名与记录 ID 的准确写法，建议先用 --list 确认。
场景四：技能库规模的平滑扩展
角色：持续往技能库里加数据的团队。痛点：每加一个数据文件，检索配置就要改一轮。使用方式：直接把 JSON 放进对应技能的 data/ 目录即可。实际体验：自动发现省掉了维护清单的工作，新增数据源立即可查；需要注意的是文件命名与目录层级要保持约定一致，否则可能发现不到。
整体体验小结：上手难度低、收益立竿见影，特别适合「数据总量大、单次只需要一小块」的代理工作流。注意事项有三点：一是它做的是关键字匹配而非语义理解，检索词要贴近数据原文；二是数据必须放在约定的 .agent/skills/*/data/ 目录下；三是它替代的是「读文件」这一步，不替代推理本身，复杂问题仍需代理自行组织答案。
该技能能为用户带来的价值
- 直接的令牌节省：这是技能的首要目标。把「读整份数百行文件」换成「只返回匹配条目」，单次查询的上下文体积可以显著缩小，长期累积下来对应的是更低的调用成本与更快的响应。
- 更干净的上下文，更好的答案：无关条目会稀释模型的注意力。只喂相关数据，等于给代理一个聚焦的「简报」，答案的针对性和稳定性都会更好。
- 降低技能库的扩展门槛：数据源自动发现意味着「加文件即加能力」，团队不必为每一个新技能单独写检索逻辑，也不必维护索引配置。
- 降低协作与交接成本：协议明确规定「始终先查再读」，这条约定让不同代理、不同开发者之间形成一致的取数习惯，减少「有人整份读、有人精心查」造成的成本不可控。
- 长期价值：随着技能数量与数据体量增长，整份读取的成本是线性甚至加速上升的，而按需检索的成本增长要平缓得多——它在系统规模变大时反而更有价值。
常见问题 FAQ
Q1：这个技能怎么安装？装完怎么确认能用？
A：把 context-router 技能包放到 .agent/skills/context-router/，确保 scripts/context_router.py 存在且本机有可用的 Python 环境；数据文件以 .json 形式放在各技能的 data/ 目录下。执行 --list 命令，能列出数据源即表示生效。具体下载入口与安装方式以官方说明为准。
Q2：它收费吗？会不会额外调用外部服务？ A：从技能说明看，它是一个本地运行的 Python 脚本，通过扫描本地 JSON 文件完成检索，不需要额外的检索服务。至于技能本身是否需要授权或付费，以官方说明为准。
Q3：它和直接把文件读给模型有什么区别？ A：区别在返回粒度。直接读文件是把整份内容（可能数百行）放进上下文；上下文路由器只返回关键字匹配到的条目。前者信息全但浪费令牌、稀释注意力，后者更省更聚焦，但依赖关键词选得准。
Q4：它和向量检索 / RAG 比，该选哪个？ A：看数据结构与规模。如果你的资料是各技能目录下结构化的 JSON、单次只需要取几条记录，context-router 更轻、更快、几乎零维护；如果是海量非结构化文档、需要语义模糊召回，才值得上向量检索方案。两者并不互斥，很多工作区会同时使用。
Q5：为什么我查询返回为空？
A：常见原因有三个：关键词与数据中的实际用词不一致（它做的是关键字匹配，不是语义匹配）、数据文件没有放在 .agent/skills/*/data/ 约定的目录下、JSON 文件格式不合法导致无法被正确解析。先用 --list 确认数据源是否被发现，再调整关键词或改用 --skill 缩小范围重试。