文｜李嘉星
編輯｜周鑫雨
一句話介紹
context-mode 是一款專為 AI 編程打造的上下文優(yōu)化 MCP（Anthropic 發(fā)布的模型上下文協(xié)議）插件。
它解決了開發(fā)者在長周期開發(fā)中遭遇的 " 模型失憶 " 與 "Token 過多消耗 " 的核心痛點(diǎn)。
據(jù)團(tuán)隊(duì)表示，在編程場景下，context-mode 能夠讓 AI 編程的成本降低 98%，同時(shí)將大模型的記憶力從 30 分鐘提升至 3 小時(shí)。
團(tuán)隊(duì)背景
context-mode 的背后是一支背景多元的跨國初創(chuàng)團(tuán)隊(duì)。目前團(tuán)隊(duì)的核心成員分布在土耳其、法國等 4 個(gè)國家，主要通過 GitHub 異步協(xié)作。
Mert K seo lu（核心開發(fā)者、創(chuàng)始人）：曾作為技術(shù)顧問為 OpenAI 等企業(yè)提供技術(shù)服務(wù)，擁有超 10 年全棧工程與系統(tǒng)架構(gòu)經(jīng)驗(yàn)。創(chuàng)業(yè)前，他曾先后任職于 Countly、Planhat 及 Jotform 等全球知名數(shù)據(jù)與 SaaS 平臺(tái)，擔(dān)任高級(jí)軟件工程師。
孫逸誠（核心開發(fā)者、多平臺(tái)適配負(fù)責(zé)人）：團(tuán)隊(duì)里的中國面孔，目前大二在讀。他曾入圍強(qiáng)基計(jì)劃（數(shù)學(xué)與物理全省前 18 名），具有 Temporal-RAG（時(shí)序數(shù)據(jù)檢索增強(qiáng)）引擎的獨(dú)立開發(fā)經(jīng)驗(yàn)，并獲得知乎全球 A2A（Agent-to-Agent）黑客松銀獎(jiǎng)。
產(chǎn)品及業(yè)務(wù)
簡單來說，context-mode 是一款專門為 AI 編程助手 " 減負(fù) " 和 " 整理記憶 " 的開源 MCP 插件。
該項(xiàng)目發(fā)布后曾登頂 GitHub Hacker News，目前已在 GitHub 獲得超 1.5 萬顆 Star。context-mode 現(xiàn)已吸引逾 24.3 萬名開發(fā)者接入，完成了對(duì) 15 個(gè)主流平臺(tái)的底層適配，并被微軟、谷歌、Meta、字節(jié)跳動(dòng)及 Cursor 等科技公司的研發(fā)團(tuán)隊(duì)采用。
context-mode 之所以能在極客圈獲得大量的關(guān)注，正是因?yàn)槠渚珳?zhǔn)切中了一個(gè)令人頭疼的行業(yè)焦慮：被昂貴 API 賬單和大模型失憶逼瘋的開發(fā)者
隨著 " 龍蝦（OpenClaw，一個(gè)開源 Agent 框架）" 等全自動(dòng) AI 編程智能體的普及，Vibe Coding 的應(yīng)用門檻進(jìn)一步降低。
然而，享受到 AI 帶來的效率提升的同時(shí)，用戶很快意識(shí)到，智力是昂貴的：一方面，Claude、GPT 等頂尖模型的 Token 定價(jià)并不便宜，包含充足 Token 額度的高級(jí)套餐，定價(jià)動(dòng)輒高達(dá) 200 美元 / 月。
另一方面，受制于當(dāng)下的能力，在執(zhí)行具體任務(wù)過程中，模型的反復(fù)試錯(cuò)、重復(fù)檢索都會(huì)造成額外的 Token 浪費(fèi)。
在實(shí)際開發(fā)場景中，大模型往往表現(xiàn)得像一個(gè) " 沒有常識(shí)的數(shù)據(jù)處理機(jī)器 "。團(tuán)隊(duì)成員孫逸誠分享了一個(gè)踩坑經(jīng)歷：
參加 Kaggle 數(shù)據(jù)競賽時(shí)，他將一個(gè)包含 300 組數(shù)據(jù)的訓(xùn)練任務(wù)交給了 Claude。為了確認(rèn)任務(wù)進(jìn)度，Claude 沒有選擇寫一段定時(shí)腳本，而是選擇每隔 5 秒鐘向整個(gè)項(xiàng)目發(fā)起一次全局檢索。這種極其低效的 " 死盯 " 策略，讓一個(gè)高配會(huì)員賬號(hào)的 API 額度在短短半小時(shí)內(nèi)消耗了 90%。
與此同時(shí)，大模型還存在 " 失憶 " 的問題。開發(fā)者發(fā)現(xiàn)，當(dāng)代碼量觸及某些主流 IDE（集成開發(fā)環(huán)境）的隱形上限（如 164K）時(shí)，系統(tǒng)會(huì)不得不丟棄或壓縮歷史信息，導(dǎo)致模型遺忘關(guān)鍵細(xì)節(jié)。這就導(dǎo)致：前一秒還在流暢寫代碼的 AI，下一秒就會(huì)把前置的關(guān)鍵架構(gòu)和約束條件忘得一干二凈。
面對(duì)大模型嚴(yán)重的 " 幻覺 " 與 " 失憶 "，context-mode 給出了解法：既然大模型處理海量原始數(shù)據(jù)又貴又笨，那就剝奪它直接閱讀原始數(shù)據(jù)的權(quán)利。
孫逸誠打了一個(gè)比方：" 傳統(tǒng)的 AI 編程就像看一場馬拉松，大模型會(huì)死死盯著每一個(gè)選手的每一步，這當(dāng)然會(huì)耗盡它的上下文。而 context-mode 做的，是把跑馬拉松的過程扔進(jìn)一個(gè)屏蔽的沙盒（Sandbox）里，大模型只需要看最后的排名結(jié)果。"
具體到工作原理，首先，通過引入 " 虛擬沙盒 " 與精準(zhǔn)檢索，context-mode 能夠有效降低 Token 的消耗。
在傳統(tǒng)的調(diào)用模式中，每一次 MCP 工具的調(diào)用都極其昂貴，龐大的原始數(shù)據(jù)會(huì)被直接傾倒進(jìn)大模型的上下文窗口，導(dǎo)致 Token 消耗量上升。
context-mode 的 " 虛擬化沙盒 " 機(jī)制，就好比在大模型和操作系統(tǒng)間建立了一道 " 防火墻 "。它會(huì)先把所有文件和運(yùn)行記錄存放在本地，需要用到時(shí)再幫大模型把相關(guān)內(nèi)容找出來。
根據(jù)《智能涌現(xiàn)》的測試，接入 context-mode 后，大模型讀取一份 79.3 KB 的文件時(shí)，Token 的消耗成本降低了 87.7%。
其次，為了解決大模型的 " 失憶 " 痛點(diǎn)，context-mode 通過構(gòu)建 " 存檔點(diǎn) "，實(shí)時(shí)監(jiān)控開發(fā)者的每一次文件編輯。
當(dāng)對(duì)話太長，它會(huì)主動(dòng)構(gòu)建并向 AI 注入一個(gè)通常小于 2KB 的 " 快照 "，相當(dāng)于在代碼編輯過程中建立了一個(gè) " 存檔點(diǎn) "。官方表示，這種機(jī)制能將大模型連續(xù)編程的有效時(shí)間從 30 分鐘提升至 3 小時(shí)。
最后，context-mode 引入了強(qiáng)制性 " 用代碼思考（Think in Code）" 的范式，從而節(jié)省 Token 消耗。
所謂的 Think in Code，簡單而言，就是不讓模型逐行閱讀、處理文件，而是先讓模型編寫一個(gè) " 小程序 "，讓 " 小程序 " 先在本地完成數(shù)據(jù)分析，再將提煉后的結(jié)果反饋給模型。
context-mode 創(chuàng)始人 Mert 告訴《智能涌現(xiàn)》，開發(fā)者陷入了一個(gè)誤區(qū)：習(xí)慣將海量數(shù)據(jù)直接丟給大模型進(jìn)行處理。實(shí)際上，面對(duì) 50 個(gè)文件的數(shù)據(jù)統(tǒng)計(jì)任務(wù)，與其讓模型親自逐個(gè)閱讀，不如先讓模型寫一段腳本，由腳本完成統(tǒng)計(jì)工作，再把結(jié)果返回給模型。
用 Mert 的話說，一個(gè)腳本可以替代十幾個(gè)昂貴的工具調(diào)用，并節(jié)省百倍的上下文。
根據(jù)《智能涌現(xiàn)》的測試，接入 context-mode 后，模型處理一份文件時(shí)，節(jié)省了 99.98% 的 Token 成本。
context-mode 的上手門檻，比 Cursor 等需要重新下載并適應(yīng)環(huán)境的獨(dú)立開發(fā)軟件（IDE）更低。作為一個(gè)輕量級(jí)的 MCP（模型上下文協(xié)議）插件中間件，context-mode 可以直接接入開發(fā)者原有的工作流中。
context-mode 團(tuán)隊(duì)還提供了一系列快捷指令，用來查看各大平臺(tái)的 Token 節(jié)省情況。用戶只需要在聊天框中輸入指令，瀏覽器就會(huì)彈出一個(gè)本地的數(shù)據(jù)統(tǒng)計(jì)面板，記錄著當(dāng)周調(diào)用了多少次 API，以及 context-mode 攔截了多少次無效的數(shù)據(jù)讀取。
近期，context-mode 針對(duì)企業(yè)研發(fā)場景，推出了" 上下文即服務(wù) "。
在企業(yè)研發(fā)場景中，AI 的 ROI 往往難以衡量。
為此，context-mode 推出了企業(yè)服務(wù) "Insights"。獲得授權(quán)后，安裝在程序員電腦上的插件，可以直接將程序員使用 AI 的過程數(shù)據(jù)（比如調(diào)用了什么工具、報(bào)錯(cuò)了幾次、消耗了多少錢），發(fā)送到 Insights 所在服務(wù)器上。
與此同時(shí)，Insights 還能針對(duì)不同崗位，提供不同的數(shù)據(jù)報(bào)告。比如面向安全總監(jiān)，系統(tǒng)會(huì)自動(dòng)生成安全報(bào)告；面向財(cái)務(wù)團(tuán)隊(duì)，系統(tǒng)可以提供 Tokens 消耗明細(xì)。
目前，Insights 仍處于定向內(nèi)測階段。
Founder 思考
停止將大模型視為 " 數(shù)據(jù)處理器 "，它本質(zhì)上是 " 代碼生成器 "。
現(xiàn)在很多平臺(tái)和開發(fā)者陷入了一個(gè)誤區(qū)，喜歡把 50 個(gè)文件直接讀入上下文，讓大模型去里面 " 數(shù) " 有多少個(gè)函數(shù)。
這不僅緩慢，而且極其浪費(fèi)算力。我們的主張是 " 用代碼思考（Think in Code）" —— LLM 應(yīng)該去編寫一個(gè)統(tǒng)計(jì)腳本來完成計(jì)數(shù)，最后只輸出結(jié)果。
一個(gè)腳本可以替代十幾個(gè)昂貴的工具調(diào)用，并節(jié)省百倍的上下文。在未來的 AI 編程范式中，這是所有平臺(tái)都必須遵循的底層鐵律。
無限上下文是一個(gè)偽命題，克制才是 AI 工具最難建立的壁壘。
行業(yè)里都在卷大模型的長文本能力（比如 100K 甚至 1M 的上下文），但這其實(shí)是個(gè)陷阱。把幾十 KB 的報(bào)錯(cuò)日志一股腦傾倒給 AI，只會(huì)加速它的 " 失憶 " 和幻覺。
真正的解法不是盲目擴(kuò)容，而是建立起一套極度克制的 " 狀態(tài)記憶層（沙盒）"。誰能把傳給 AI 的無效噪音壓縮到極致，誰才能真正幫開發(fā)者把連續(xù)編程的時(shí)間從 30 分鐘延長到 3 個(gè)小時(shí)。
下一代 AI 編程的瓶頸不在于模型夠不夠聰明，而在于上下文管理框架夠不夠清晰。
現(xiàn)在大家都在抱怨 AI 會(huì)在同一個(gè) Bug 上反復(fù)跌倒。這并不是因?yàn)槟Ｐ妥儽苛?，而是它在冗長的對(duì)話中迷失了。
只有給 AI 提供像單機(jī)游戲一樣的存檔點(diǎn)，強(qiáng)制它按優(yōu)先級(jí)讀取記憶，才能為它真正有價(jià)值的邏輯推理留出足夠的空間。
大廠在卷 " 全家桶 "，而我們?cè)谧隹缙脚_(tái)的 " 萬能插座 "。
我們花大量精力去適配 Cursor、Claude、Gemini 等不同的底層邏輯，是因?yàn)檎鎸?shí)的開發(fā)者生態(tài)永遠(yuǎn)是碎片化且快速迭代的。
開發(fā)者不需要另一個(gè)被大廠深度綁定的全能 Agent，他們需要的是一個(gè)輕量、不吃內(nèi)存、即插即用且能極大降低 API 賬單的中間件。
