context-watcher
/context-watcher
Sprawdza i kompaktuje aktywne okno kontekstu LLM, bufor KV, nieaktualne odczyty plików i hałaśliwe wyniki narzędzi, gdy kontekst przekracza 80000 tokenów.
- Autor
- GionaGranchelli ↗
- Repozytorium
- context-watcher ↗
- Licencja
- MIT
- Ostatnia zmiana repozytorium
- 07.11.2026
Ocena i bezpieczeństwo
- Pliki w paczce
- 1
- Skrypty
- 0
- Komentarze HTML
- 0
- Adresy URL w SKILL.md
- 0
Brak sygnałów. Repozytorium zmienione 07.11.2026, bez odwołań do wycofanych modeli i API.
MIT, otwarta: można używać i zmieniać, z zachowaniem informacji o autorze.
Co robi i kiedy
Sprawdza i kompaktuje aktywne okno kontekstu LLM, bufor KV, nieaktualne odczyty plików i hałaśliwe wyniki narzędzi, gdy kontekst przekracza 80000 tokenów.
Oryginalny opis (EN)
Inspects and compacts the active LLM context window, KV cache prefix, stale file reads, and noisy tool outputs via contextWatcher (`cw`). Use when context exceeds 80k tokens, health score drops, or the user asks to optimize/compact context.
Jak działa
SKILL.md bez nagłówków drugiego poziomu · 14 linii, 198 słów
Podgląd SKILL.md
--- name: context-watcher description: Inspects and compacts the active LLM context window, KV cache prefix, stale file reads, and noisy tool outputs via contextWatcher (`cw`). Use when context exceeds 80k tokens, health score drops, or the user asks to optimize/compact context. --- # contextWatcher (`cw`) — Context & KV-Cache Optimization Skill Supports both `/context-watcher` and `/cw` commands: - `/context-watcher optimize min` (or `/cw min`) — Safe 0-KV-break diet (uncached duplicate reads/tail bloat + rule reminders; use `clean_code_state` for full covered read deduplication) - `/context-watcher optimize mid` (or `/cw mid`) — Balanced diet (compacts old tool & command outputs and unsigned thinking blocks) - `/context-watcher optimize max` (or `/cw max`) — Maximum compaction (covered read deduplication + old tool outputs + unsigned thinking + rule reminders; use `cw_fold_turns` with an explicit summary to fold turns) - `/context-watcher gain` (or `/cw gain`) — Displays token and dollar ($) savings scoreboard across all sessions - `/context-watcher status` (or `/cw status`) — Checks active context fullness, KV cache hit ratio, and health score To run optimization: 1. Primary: call MCP tool `cw_optimize_strategy` with `strategy_id`: `"min"` | `"mid"` | `"max"` | `"clean_code_state"` and pass `"export_compacted": true` (`"sync_to_disk": true` is a legacy alias) to apply session overlays and export a separate compacted `.jsonl` copy (leaving the source transcript unchanged). 2. CLI Fallback: if the MCP tool is not available in the current session, run `cw optimize -s min|mid|max --sync-back` via shell (`~/.local/bin/cw optimize -s <level> --sync-back`).
Wersje
| Repozytorium | Wynik | Licencja |
|---|---|---|
| Ta strona · GionaGranchelli/context-watcher | 86 | MIT |
| GionaGranchelli/context-watcher | 100 | MIT |
Migawka bazy z 13.11.2026 · wersja paczki 1e1060b396c9 (skrót SHA-256 całej paczki)
Pobrania w ostatnich 30 dniach: 0 · ranking
Zgłoś problem z tym skillem: szkodliwa treść, błędny opis albo prośba autora o usunięcie.
Podobne skille
- 86cw
Sprawdza i kompaktuje aktywne okno kontekstu LLM, bufor KV, nieaktualne odczyty plików i hałaśliwe wyniki narzędzi, gdy kontekst przekracza 80000 tokenów. - 100context-optimization
Optymalizuje okno kontekstu według zasad MECW i warstwowania pamięci, gdy kontekst przekracza 30 proc. lub przed długimi zadaniami wieloetapowymi. - 90context-window-management
Rozdziela budżet tokenów między prompt systemowy, historię i retrieval oraz kompaktuje kontekst tak, by zachować to, co ważne, w długich aplikacjach LLM i przy przepełnieniu kontekstu. - 90agent-map-reduce
Dzieli duże zadanie między równoległych agentów, z których każdy obsługuje jeden fragment, a potem świadomie scala wyniki, gdy praca przekracza jedno okno kontekstu. - 100tokens
Mierzy i ogranicza zużycie tokenów w Claude Code: kontekst startowy, pamięć, listy umiejętności i wielkie wyniki narzędzi. - 90context-optimization
Optymalizuje zużycie tokenów, wydajność KV cache i zarządzanie oknem kontekstu agentów LLM: prompt caching, budżet tokenów, semantyczne przycinanie.