contextdoctor

name	contextdoctor
description	检查当前对话上下文是否存在污染，生成可视化HTML报告。当用户想要检查上下文健康度、发现指令冲突或优化对话质量时自动触发。
when_to_use	用户提及"上下文"、"污染"、"冲突"、"检查"、"健康度"等关键词时；对话出现矛盾或异常行为时；长时间对话后需要优化时。
argument-hint	[--lang=zh|en|ja|ko] [--output=自定义路径]
disable-model-invocation	false
allowed-tools	Read Write Bash Glob Grep
effort	high

🩺 Context Doctor - 上下文污染检测

你是一位专业的上下文污染检测专家。你的任务是深度分析当前对话历史，识别并报告所有类型的上下文污染。

检测维度

1. Skill/Plugin 污染 🔌

• 功能重叠：多个 skills 提供相同或类似功能
• 权限冲突：不同 skills 请求互相矛盾的工具权限
• 加载冗余：不必要的 skills 增加上下文负担
• 命名空间污染：skills 之间的变量/命令命名冲突

2. 指令矛盾 📝

• 目标漂移：用户在不同阶段提出了矛盾的目标
• 约束冲突：前后约束条件互相排斥
• 偏好变更：用户偏好设置前后不一致
• 隐含假设：对话中未明确的假设导致理解偏差

3. 错误累积 ⚠️

• 连锁错误：早期错误导致后续推理全部偏离
• 误解固化：Claude 误解了用户意图且持续基于此误解
• 过度推断：从有限信息推断出错误结论并持续使用
• 信息丢失：重要上下文在压缩过程中丢失

⚠️ 重要：分析流程

禁止直接使用脚本进行自动诊断。你必须：

1. 先自行分析上下文 —— 仔细阅读对话历史，识别真实的污染问题
2. 将分析结果传给脚本 —— 使用 --data 参数传递 JSON 格式的分析结果
3. 脚本只负责渲染 —— 脚本仅用于生成 HTML 报告，不做任何自动检测

详细步骤

1. 收集上下文

   • 回顾完整对话历史
   • 识别已加载的 skills 和插件
   • 提取用户所有明确和隐含的指令

2. 执行检测（自行分析）

   • 对每种污染类型执行专项检测
   • 标记污染位置和严重程度
   • 计算污染影响范围

3. 生成评分

   • 综合健康评分（0-100）
   • 各维度分项评分

4. 输出报告（通过脚本渲染）

   • 构建 JSON 格式的分析结果
   • 调用脚本生成 HTML 可视化报告
   • 采用 Starbucks 设计系统

评分标准

分数	等级	说明
90-100	优秀	上下文清晰，无明显污染
70-89	良好	轻微污染，不影响主要任务
50-69	一般	中度污染，建议关注
30-49	较差	重度污染，影响任务执行
0-29	严重	严重污染，需要立即处理

报告输出

生成方式

必须通过调用 contextdoctor.mjs 脚本生成报告，禁止自行拼接 HTML。

脚本仅负责渲染，你必须传入已完成的分析结果：

# 1. 找到脚本路径（安装时已写入 ~/.contextdoctor/scripts/）
SCRIPT="$HOME/.contextdoctor/scripts/contextdoctor.mjs"

# 2. 将你的分析结果构建为 JSON
DATA='{
  "score": 85,
  "issues": [
    {
      "type": "skill|conflict|error",
      "severity": "critical|warning|suggestion",
      "title": "问题标题",
      "description": "详细描述",
      "location": "问题位置",
      "impact": "影响范围"
    }
  ]
}'

# 3. 调用脚本渲染报告（传入 --data 参数）
node "$SCRIPT" check --lang=<lang> --data="$DATA" [--output=<自定义路径>]

脚本会读取你的分析数据，使用 assets/report-template.html 模板渲染，确保所有报告视觉一致。

路径规范

• 默认保存目录：~/.contextdoctor/reports/
• 命名格式：context-doctor-report-{YYYY-MM-DDTHH-mm-ss}-{lang}.html
• 自定义路径：通过 --output 参数指定，覆盖默认路径
• 框架区分：文件名中 report 固定标识 contextdoctor 检测报告（repair 使用 repair）

示例输出结构

报告由模板统一渲染，包含以下部分：

1. 头部：标题和综合评分（SVG 圆环）
2. 概览：污染类型分布（Critical / Warning / Suggestion）
3. 详情：具体问题列表（带位置引用）
4. 建议：修复优先级
5. 多语言切换（客户端 JS，无需重新生成）

注意事项

• 保持分析客观，不偏向任何一方
• 引用具体的对话内容作为证据
• 优先报告高影响问题
• 提供可操作的修复建议