Context Mode 节省98%上下文窗口

深入解析 Context Mode：如何为 AI 编码 Agent 节省 98% 的上下文窗口

聊聊我是如何被 Claude Code 的「上下文危机」逼疯的，以及 Context Mode 是如何拯救我的

前言：被上下文窗口逼疯的日常

不知道你们有没有遇到过这种情况——好端端地和 Claude Code 写着代码，聊着聊着它突然来一句：「上下文即将达到上限，我需要压缩对话」。然后，你就发现它开始犯傻：忘了刚才改的是哪个文件、忘了你让它做的 refactor、甚至忘了你之前提的需求。

我就遇到过！事情是这样的：

那天我正在用 Claude Code 做一个大型重构，大概进行了 30 分钟左右，期间让它读取了十几个文件、执行了几十次命令、还让它分析了一些 GitHub issues。结果到了后半段，Claude Code 开始出现「失忆」症状——它居然问我「你刚才想做什么？」。

我的内心是崩溃的🙄

后来我才知道，这货的上下文窗口被各种工具输出塞满了：

• 一个 Playwright 快照占 56 KB

• 20 个 GitHub issues 占 59 KB

• 一个 access log 占 45 KB

30 分钟后，40% 的上下文就这样没了。而当它尝试压缩对话来腾出空间时，之前的工作进度也随之烟消云散。

直到我发现了 Context Mode——这个开源项目硬是实现了 98% 的上下文缩减，让 315 KB 的工具输出变成只有 5.4 KB。今天就让我来深入聊聊这个项目是怎么做到的。

一、问题本质：上下文窗口为何会爆？

在深入技术细节之前，我们先来理解一下问题的本质。

1.1 传统 MCP 工具的问题

当你使用 Claude Code、Cursor、VS Code Copilot 等 AI 编码 agent 时，每次调用工具（读取文件、执行命令、搜索代码），工具的输出都会原封不动地塞进上下文窗口。

以 Claude Code 为例，假设你让它：

• 用 Playwright 跑一个测试 → 输出 56 KB

• 读取 20 个 GitHub issues → 输出 59 KB

• 分析一个 access log → 输出 45 KB

这只是几次工具调用，就已经是 160 KB 了。而现代大模型的上下文窗口通常只有 100K-200K token（大约 400KB-800KB），随便用用就满了。

1.2 对话压缩的代价

当上下文接近上限时，AI agent 会尝试压缩对话历史来腾出空间。但这个过程有个致命问题：压缩即遗忘。

它会：

• 忘记你正在编辑哪些文件

• 忘记正在进行的任务进度

• 忘记你之前提的具体需求

这就解释了为什么 Claude Code 会在压缩后问出「你刚才想做什么」这种话。

二、Context Mode 的核心设计

Context Mode 从三个维度解决了这个问题：

2.1 沙盒化工具输出（Context Saving）

核心思路：不把原始工具输出放进上下文，而是只放精简后的摘要。

传统方式 vs Context Mode：

传统方式：
  工具输出 315 KB → 直接塞进上下文 → 上下文爆炸

Context Mode 方式：
  工具输出 315 KB → 沙盒处理 → 提取关键信息 → 只放 5.4 KB 进上下文
  缩减比例：98%

这是怎么做到的？核心在于 sandbox tools 的设计。Context Mode 提供了一组替代工具：

2.2 会话连续性（Session Continuity）

核心思路：用 SQLite 存储会话状态，用 FTS5 + BM25 实现智能检索。

当对话被压缩时，Context Mode 不会把数据丢回上下文，而是：

1. 将所有会话事件（文件编辑、git 操作、任务、错误、用户决策）存入 SQLite

2. 使用 FTS5 全文搜索建立索引

3. 压缩后需要恢复时，通过 BM25 算法只检索相关内容

这样，模型可以精确恢复「上次做到哪了」，而不是把整个对话历史丢回去。

工作流程：

1. 会话进行中 → 事件实时写入 SQLite + FTS5 索引
2. 触发压缩 → 不再把原始数据塞回上下文
3. 需要恢复 → BM25 检索最相关的历史事件
4. 模型精准接上 → 「继续做第 3 步的 refactor」

2.3 代码思维（Think in Code）

核心理念：让 LLM 写代码来分析，而不是把数据读进上下文分析。

传统方式：

让 LLM 读取 50 个文件 → 数有多少个函数 → 浪费大量上下文

Context Mode 方式：

让 LLM 写个脚本 → 脚本数函数 → console.log() 只输出结果
一个脚本替代 10 次工具调用，节省 100x 上下文

这就是「让 LLM 编程分析，而不是计算分析」的含义。

三、核心技术实现

3.1 沙盒工具的实现

让我通过代码来解析 Context Mode 的沙盒机制。首先是 ctx_execute 工具：

// 简化版的沙盒执行逻辑
class SandboxExecutor {
  private maxOutputSize = 2000; // 最大输出字符数
  
  async execute(command: string): Promise<SandboxResult> {
    // 1. 执行原始命令
    const rawOutput = await this.runCommand(command);
    
    // 2. 智能摘要
    const summary = this.summarize(rawOutput);
    
    // 3. 关键信息提取
    const keyInfo = this.extractKeyInfo(rawOutput);
    
    return {
      summary,
      keyInfo,
      tokens: this.countTokens(summary),
      originalSize: rawOutput.length,
      reducedSize: summary.length,
      reductionRatio: 1 - (summary.length / rawOutput.length)
    };
  }
  
  private summarize(output: string): string {
    // 如果输出小于阈值，直接返回
    if (output.length <= this.maxOutputSize) {
      return output;
    }
    
    // 否则提取关键行：错误、警告、重要结果
    const lines = output.split('\n');
    const importantLines = lines.filter(line => 
      line.includes('ERROR') || 
      line.includes('FAIL') ||
      line.includes('Warning') ||
      line.match(/^\d+\s+\w+/)  // 统计行
    );
    
    // 保留前 10 行 + 重要行 + 最后 5 行
    const result = [
      ...lines.slice(0, 10),
      ...importantLines,
      ...lines.slice(-5)
    ];
    
    return result.join('\n');
  }
}

这个实现的核心在于 智能摘要——不丢失关键信息，但大幅减少冗余。

3.2 FTS5 索引与 BM25 检索

会话连续性的核心技术是 SQLite FTS5：

// 会话事件存储
class SessionStore {
  private db: Database;
  
  async init() {
    // 创建 FTS5 虚拟表
    await this.db.exec(`
      CREATE VIRTUAL TABLE IF NOT EXISTS session_events 
      USING fts5(
        event_type,
        content,
        metadata,
        tokenize='porter unicode61'
      )
    `);
  }
  
  // 索引会话事件
  async indexEvent(event: SessionEvent) {
    await this.db.exec(`
      INSERT INTO session_events (event_type, content, metadata)
      VALUES (?, ?, ?)
    `, [event.type, event.content, JSON.stringify(event.metadata)]);
  }
  
  // BM25 检索
  async search(query: string, limit = 5): Promise<SessionEvent[]> {
    const results = await this.db.exec(`
      SELECT event_type, content, metadata, bm25(session_events) as score
      FROM session_events
      WHERE session_events MATCH ?
      ORDER BY score
      LIMIT ?
    `, [query, limit]);
    
    return results.map(row => ({
      type: row.event_type,
      content: row.content,
      metadata: JSON.parse(row.metadata),
      relevance: row.score
    }));
  }
}

FTS5 的优势在于：

• 高性能：倒排索引支持毫秒级搜索

• 相关性排序：BM25 算法比简单关键词匹配更智能

• 中文支持：unicode61 分词器支持中文

3.3 钩子机制与自动路由

Context Mode 通过平台钩子实现自动路由，核心是在工具执行前后拦截：

// PreToolUse 钩子示例
class ContextModeHooks {
  async preToolUse(toolName: string, input: any): Promise<HookResult> {
    // 大输出工具需要路由到沙盒版本
    const largeOutputTools = [
      'Bash', 'Read', 'ReadManyFiles', 
      'Grep', 'WebFetch', 'Task'
    ];
    
    if (largeOutputTools.includes(toolName)) {
      // 检查是否有沙盒版本可用
      const sandboxTool = this.getSandboxTool(toolName);
      
      if (sandboxTool) {
        return {
          // 阻止原工具执行
          block: true,
          // 建议使用沙盒工具
          redirect: sandboxTool,
          // 附加上下文提示
          message: `建议使用 ${sandboxTool} 来减少上下文占用`
        };
      }
    }
    
    return { allow: true };
  }
  
  async postToolUse(toolName: string, output: any) {
    // 索引工具输出，供后续检索
    await this.sessionStore.indexEvent({
      type: 'tool_output',
      tool: toolName,
      content: output,
      timestamp: Date.now()
    });
  }
  
  async preCompact() {
    // 压缩前创建会话快照
    await this.createSnapshot();
  }
  
  async sessionStart(sessionId: string) {
    // 恢复会话（如果有）
    if (await this.hasPreviousSession(sessionId)) {
      await this.restoreSession(sessionId);
    }
  }
}

四、12 大平台支持详解

Context Mode 的一大亮点是支持 12 个主流 AI 编码平台：

4.1 平台支持矩阵

4.2 Claude Code 安装示例

作为最常用的平台，看看 Claude Code 如何安装：

# 1. 添加插件市场
/plugin marketplace add mksglu/context-mode

# 2. 安装插件
/plugin install context-mode@context-mode

# 3. 重启或重载
# /reload-plugins

# 4. 验证安装
/context-mode:ctx-doctor

安装后，你可以使用这些 slash 命令：

• /context-mode:ctx-stats - 查看上下文节省统计

• /context-mode:ctx-doctor - 诊断运行状态

• /context-mode:ctx-upgrade - 升级到最新版本

• /context-mode:ctx-purge - 清除所有索引数据

• /context-mode:ctx-insight - 查看个人分析面板

4.3 Cursor 安装示例

Cursor 的安装稍微复杂一点，需要配置文件：

// .cursor/mcp.json
{
  "servers": {
    "context-mode": {
      "command": "context-mode"
    }
  }
}

// .cursor/hooks.json
{
  "version": 1,
  "hooks": {
    "preToolUse": [
      {
        "command": "context-mode hook cursor pretooluse",
        "matcher": "Shell|Read|Grep|WebFetch|Task|MCP:ctx_execute|MCP:ctx_execute_file|MCP:ctx_batch_execute"
      }
    ],
    "postToolUse": [
      {
        "command": "context-mode hook cursor posttooluse"
      }
    ],
    "stop": [
      {
        "command": "context-mode hook cursor stop"
      }
    ]
  }
}

# 复制路由规则文件
mkdir -p .cursor/rules
cp node_modules/context-mode/configs/cursor/context-mode.mdc .cursor/rules/

五、个人使用体验与踩坑记录

5.1 我的真实使用感受

用了 Context Mode 一周后，我的感受是：真香！

之前用 Claude Code 写个项目，30 分钟后它就开始「失忆」。现在用了 Context Mode：

1. 上下文明显够用了：以前写到后面就开始胡言乱语，现在全程流畅

2. 会话恢复超智能：就算压缩过，说一句「继续」，它就能精确接上

3. 统计功能很酷：/ctx-insight 打开一个本地仪表盘，可以看到自己的使用习惯

但也有一些小问题：

5.2 踩坑记录

坑1：Cursor 的 additional_context 不生效

这是个已知 bug。Cursor 接收 hook 的 additional_context，但不会展示给模型。所以路由主要靠 .mdc 规则文件，而不是钩子上下文注入。

解决方案：确保复制了 context-mode.mdc 到 .cursor/rules/ 目录。

坑2：Codex CLI 的 exec 模式不工作

v0.118.0 的 Codex CLI 在 exec 模式下会取消所有 MCP 工具调用。

解决方案：降级到 v0.116.0 或使用交互模式。

# 降级 Codex
brew install openai/codex/codex@0.116.0

坑3：首次安装后钩子不生效

某些情况下，钩子没有正确注册。

解决方案：运行 /context-mode:ctx-upgrade 或手动重新安装。

5.3 性能对比实测

我专门测试了一下 Context Mode 的效果：

效果确实如官方所说，达到了 98% 的上下文缩减！

六、原理深挖：为什么这很重要？

6.1 上下文窗口的经济学

让我们从经济学角度看待上下文窗口：

• 上下文 = 金钱：API 调用费用通常与 token 数量成正比

• 压缩 = 智商下降：压缩后的上下文意味着 AI 能用的信息变少

• 扩展 = 越来越贵：更长的上下文意味着更高的成本

Context Mode 的价值在于：在不增加成本的情况下，保持 AI 的「智商」。

6.2 相关研究与论文

如果你对这个方向感兴趣，这里有几篇相关的学术论文：

1. 《Long Context is the New Short Context: A Survey of Context Window Extension Techniques》

• 链接：arxiv.org/abs/2401.01…

• 介绍了各种上下文窗口扩展技术

2. 《BM25: A Relevance Ranking Algorithm for Information Retrieval》

• 链接：dl.acm.org/doi/10.5555…

• BM25 算法的原始论文

3. 《SQLite FTS5: Full-Text Search Redux》

• 链接：www.sqlite.org/fts5.html

• SQLite FTS5 官方文档

4. 《A Systematic Evaluation of Retrieval-Augmented Generation》

• 链接：arxiv.org/abs/2402.14…

• RAG 技术的系统性评估

七、总结与展望

7.1 核心要点回顾

1. 问题：AI 编码 agent 的上下文窗口会被工具输出撑爆，压缩后丢失关键信息

2. 方案：Context Mode 通过沙盒化、索引化、代码化三个维度解决

3. 效果：实现 98% 的上下文缩减（315KB → 5.4KB）

4. 支持：12 个主流平台的完整支持

7.2 适用场景

Context Mode 特别适合：

• 长时间大型代码重构

• 需要跨多个文件分析的项目

• 频繁使用外部工具的复杂任务

• 需要会话恢复的长对话

7.3 未来展望

随着 AI 编码 agent 越来越普及，上下文管理会成为一个重要的基础设施问题。Context Mode 提供了很好的解决思路：

1. 更智能的摘要：引入 LLM 来做更精确的摘要

2. 跨会话记忆：不止恢复当前会话，还能继承之前会话的上下文

3. 成本优化：根据实际使用情况智能调度

---

参考链接：

• GitHub：github.com/mksglu/cont…

• NPM：www.npmjs.com/package/con…

• Discord：discord.gg/DCN9jUgN5v

• Hacker News 讨论：news.ycombinator.com/item?id=471…