context-gatekeeper

# Context Gatekeeper ## Objetivo Reduzir o volume de tokens enviados ao modelo preservando apenas o essencial: o resumo das decisões, os próximos passos e os trechos mais recentes da conversa. Este skill roda em paralelo à sua rotina habitual, produzindo o artefato `context/current-summary.md` que serve como contexto de substituição (em vez de reenviar toda a conversa). ## Fluxo mínimo 1. **Registre as trocas**: a cada prompt/resposta, grave uma linha formatada `ROLE: texto` em um arquivo de histórico (`context/history.txt` ou qualquer caminho acessível). Exemplo: ``` USER: Quero definir metas para o Q2 ASSISTANT: Fiz um plano com marcos e métricas ``` 2. **Execute o guardião**: ```bash python skills/context-gatekeeper/scripts/context_gatekeeper.py \ --history context/history.txt \ --summary context/current-summary.md ``` O script limita o resumo (até 6 sentenças por padrão), extrai atividades abertas (TODO, próxima ação, tarefa, follow-up) e inclui as últimas 4 jogadas para contexto imediato. 3. **Use o resumo**: antes de chamar a API (ou responder ao usuário), injete o conteúdo de `context/current-summary.md` e cite os itens pendentes. Apenas depois disso, se for necessário, adicione as últimas trocas concretas (máximo de 2-3 mensagens) para clareza imediata. 4. **Repita**: atualize `context/history.txt` com a nova resposta e execute o script novamente antes do próximo turno. ## Argumentos do script - `--history`: caminho do arquivo com o log das trocas (cada linha deve ser `ROLE: texto`). Usa STDIN se omitido. - `--summary`: destino do resumo (substitui o arquivo se já existir). - `--max-summary-sents`: limite de sentenças resumidas (padrão 6). - `--max-recent-turns`: quantas trocas finais aparecerão na seção "Últimos turnos" (padrão 4). ## Dica de operação diária - Monte um cron/loop leve que chame o script antes de cada resposta automática. - Guarde um paralelo `context/pending-tasks.md` e copie a seção "Pendências" do resumo para lá. - Sempre cite o caminho do resumo no parágrafo inicial da resposta (por exemplo: "Resumo compacto: ...") para facilitar auditoria. ## Por quê isso funciona? OpenClaw já persiste memórias em arquivos Markdown e executa `/compact` quando precisa. Este skill assume a mesma disciplina: em vez de confiar nos 100+ mensagens antigas que ainda estão no contexto, você carrega um briefing de 1 página antes de cada chamada. Economiza tokens e mantém o modelo focado no que realmente importa (decisões, pendências, mudanças recentes).