如何帮 AI 编码 Agent 省 Token？Ctx 智能推荐系统实战
你是否遇到过这种情况：Claude Code 的上下文里塞满了十几二十个你半年都没用过的 Skill，每次对话都白花几百 Token 去加载它们的 SKILL.md？或者你想用一个特定场景的工具（比如代码审查），但根本不记得它叫什么，只能翻 GitHub 一页页找？
这些问题的根源是一样的：AI 编码 Agent 的生态已经太大了。91,000+ 个 Skill 文件、460+ 个 Agent 定义、10,000+ 个 MCP 服务器——没人能记住它们，没人能挨个加载它们。但每次把所有东西都塞进上下文，Token 浪费和回复质量下降一定是必然的。
Ctx 就是来解决这个问题的。
为什么这是一个越来越严重的问题
AI 编码 Agent 的「软件包管理」困境，和当年 npm 的 node_modules 膨胀有惊人的相似之处。区别在于：npm 包膨胀吃的是硬盘，Skill 膨胀吃的可是你的 Token 预算。
具体来说，三个核心痛点：
| 问题 | 影响 |
|---|---|
| 发现困难 | 91K+ 个 Skill，你根本不知道哪个适用于当前任务 |
| 上下文预算浪费 | 把所有 Skill 塞进去，大量 Token 被无关内容吞噬 |
| Skill 腐烂 | 半年前装的 Skill 已经过时了，还在白白占用上下文 |
Ctx 的解决思路很务实：它建立了一个 102,928 节点的知识图谱，实时观察你在写什么，然后只推荐当前任务最需要的 10-15 个 Skill、Agent 和 MCP 服务器。
安装与初始化
pip install claude-ctx ctx-init # 终端向导：hooks、图谱、模型
安装后的 ctx-init 有三个核心步骤：
- 建立图谱（
--graph）：下载预构建的 2.9M 条边知识图谱到本地 - 注册 Hook（
--hooks）：让 Ctx 能观察到 Claude Code 的PostToolUse和Stop事件 - 配置模型（可选）：如果用本地模型而非 Claude Code，走独立的 Harness 流程
如果只想快速运行，略过向导用直通车模式：
ctx-init --graph --hooks --model-mode skip
日常使用：Ctx 的四个核心命令
1. 扫描与推荐
cd your-project ctx-scan-repo --repo . --recommend
这条命令会分析你当前项目的文件结构、语言、依赖，然后从知识图谱中推荐最匹配的 Skill 和 Agent。输出会直接告诉你「当前项目建议安装以下 6 个 Skill」和对应的安装命令。
如果只想看扫描结果不加推荐：
ctx-scan-repo --repo .
2. 查看 Skill 质量评分
ctx-skill-quality list # 列出所有 Skill 的四维质量评分 ctx-skill-quality explain python-patterns # 钻取某个 Skill 的详细评分
Ctx 为每个 Skill 提供质量评分，比 GitHub Stars 更能反映一个 Skill 是否值得加载。
3. Skill 健康仪表盘
ctx-skill-health dashboard
这个命令检查所有已安装 Skill 的结构健康度和漂移检测——哪个 Skill 的 API 已经过时了？哪个 Skill 的作者已经半年没更新了？一目了然。
4. 本地监控看板
ctx-monitor serve
一个本地 Web 仪表盘，显示当前已加载的 Skill、Agent、MCP 服务器清单，以及它们各自的加载/卸载状态。支持直接通过 UI 卸载不再需要的 Skill，功能类似于 macOS 的活动监视器之于进程管理。
深入：图谱驱动的推荐机制
Ctx 的核心资产是一个包含 102,928 个节点和 2,900,000 条边的知识图谱。这些边涵盖了：
- 语义相似度：Skill A 和 Skill B 在干什么类似的事
- 标签重合度：两个 Skill 是否被打了相同的标签
- Slug Token 关联：名称中的分词共现关系
- 源重叠：是否来自同一个 Skill 仓库或集合
- 直接链接：某个 Agent 被设计为依赖某些 Skill
- 质量关联：高评分 Skill 通常引用同类其他高评分 Skill
- 使用模式：哪些 Skill 常被同时安装
数据来自 89,465 个可安装的 SKILL.md 文件。Ctx 每批实体更新时会打印 benefits/risks 信息，默认不自动替换已有 Skill——需要你显式 --update-existing 确认。
每次 ctx-scan-repo --recommend 实际执行时，图谱会为你当前 repo 的特征做一次上下文感知的 Top-N 排序，只输出与任务最相关的 10-15 条。
预检与 CI 集成
Ctx 还提供了一个 PR 预检脚本，在推送前就能验证本地变更的质量：
python scripts/ci_preflight.py --profile pr
它会用 GitHub Actions 相同的变更文件分类器，运行相应的本地检查：Ruff、mypy、单元覆盖率、包构建、文档校验和图谱验证。如果改的是文档或图谱文件，它会跳过不必要的构建步骤。
完整模式：
python scripts/ci_preflight.py --profile full
适用场景与注意事项
Ctx 最适合：
- 同时使用多个 AI 编码 Agent（Claude Code + Codex + Cursor 等）
- 安装了 10 个以上 Skill，想清理上下文
- 希望为新项目快速发现合适的工具链
需要注意：
- 首次
ctx-init --graph需要下载图谱文件，建议在稳定网络下执行 - 推荐的准确度依赖图谱的更新频率——好在 Ctx 的实体更新是增量式的
- 如果使用本地模型，需要走 Harness 流程，与 Claude Code 的 Hook 模式略有不同
总结
Ctx 不是又一个 Skill 集合——它是 Skill 集合的搜索引擎。在 AI 编码生态从「几十个工具」膨胀到「十几万个工具」的今天，「知道该用哪个」比「能用哪个」重要得多。2.9M 条边的知识图谱、实时上下文分析和四维质量评分，让它成为我近期最想推荐给重度 AI 编码用户的工具。
pip install claude-ctx && ctx-init --graph --hooks --model-mode skip
项目地址：github.com/stevesolun/ctx | 文档：stevesolun.github.io/ctx