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化 MCP（Anthropic 發布的模型上下文協議）插件。

它解決了開發者在長周期開發中遭遇的“模型失憶”與“Token 過多消耗”的核心痛點。

據團隊表示，在編程場景下，context-mode 能夠讓 AI 編程的成本降低 98%，同時將大模型的記憶力從30分鐘提升至 3 小時。

團隊背景

context-mode 的背后是一支背景多元的跨國初創團隊。目前團隊的核心成員分布在土耳其、法國等 4 個國家，主要通過 GitHub 異步協作。

Mert K?seo?lu（核心開發者、創始人）：曾作為技術顧問為 OpenAI 等企業提供技術服務，擁有超 10 年全棧工程與系統架構經驗。創業前，他曾先后任職于 Countly、Planhat 及 Jotform 等全球知名數據與 SaaS 平臺，擔任高級軟件工程師。

孫逸誠（核心開發者、多平臺適配負責人）：團隊里的中國面孔，目前大二在讀。他曾入圍強基計劃（數學與物理全省前 18 名），具有 Temporal-RAG（時序數據檢索增強）引擎的獨立開發經驗，并獲得知乎全球 A2A（Agent-to-Agent）黑客松銀獎。

產品及業務

圖源: context-mode

簡單來說，context-mode 是一款專門為 AI 編程助手“減負”和“整理記憶”的開源 MCP 插件。

該項目發布后曾登頂 GitHub Hacker News，目前已在 GitHub 獲得超 1.5 萬顆 Star。context-mode 現已吸引逾 24.3 萬名開發者接入，完成了對 15 個主流平臺的底層適配，并被微軟、谷歌、Meta、字節跳動及 Cursor 等科技公司的研發團隊采用。

context-mode 之所以能在極客圈獲得大量的關注，正是因為其精準切中了一個令人頭疼的行業焦慮：被昂貴API賬單和大模型失憶逼瘋的開發者

隨著“龍蝦（OpenClaw，一個開源 Agent 框架）”等全自動AI編程智能體的普及，Vibe Coding 的應用門檻進一步降低。

然而，享受到 AI 帶來的效率提升的同時，用戶很快意識到，智力是昂貴的：一方面，Claude、GPT等頂尖模型的 Token 定價并不便宜，包含充足 Token 額度的高級套餐，定價動輒高達 200 美元/月。

另一方面，受制于當下的能力，在執行具體任務過程中，模型的反復試錯、重復檢索都會造成額外的 Token 浪費。

在實際開發場景中，大模型往往表現得像一個“沒有常識的數據處理機器”。團隊成員孫逸誠分享了一個踩坑經歷：

參加 Kaggle 數據競賽時，他將一個包含 300 組數據的訓練任務交給了 Claude。為了確認任務進度，Claude 沒有選擇寫一段定時腳本，而是選擇每隔 5 秒鐘向整個項目發起一次全局檢索。這種極其低效的“死盯”策略，讓一個高配會員賬號的 API 額度在短短半小時內消耗了 90%。

與此同時，大模型還存在“失憶”的問題。開發者發現，當代碼量觸及某些主流 IDE（集成開發環境）的隱形上限（如 164K）時，系統會不得不丟棄或壓縮歷史信息，導致模型遺忘關鍵細節。這就導致：前一秒還在流暢寫代碼的 AI，下一秒就會把前置的關鍵架構和約束條件忘得一干二凈。

面對大模型嚴重的“幻覺”與“失憶”，context-mode 給出了解法：既然大模型處理海量原始數據又貴又笨，那就剝奪它直接閱讀原始數據的權利。

孫逸誠打了一個比方：“傳統的 AI 編程就像看一場馬拉松，大模型會死死盯著每一個選手的每一步，這當然會耗盡它的上下文。而 context-mode 做的，是把跑馬拉松的過程扔進一個屏蔽的沙盒（Sandbox）里，大模型只需要看最后的排名結果。”

具體到工作原理，首先，通過引入“虛擬沙盒”與精準檢索，context-mode 能夠有效降低 Token 的消耗。

在傳統的調用模式中，每一次 MCP 工具的調用都極其昂貴，龐大的原始數據會被直接傾倒進大模型的上下文窗口，導致 Token 消耗量上升。

context-mode 的“虛擬化沙盒”機制，就好比在大模型和操作系統間建立了一道“防火墻”。它會先把所有文件和運行記錄存放在本地，需要用到時再幫大模型把相關內容找出來。

《智能涌現》的測試結果。

根據《智能涌現》的測試，接入 context-mode 后，大模型讀取一份 79.3 KB 的文件時，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，context-mode 通過構建“存檔點”，實時監控開發者的每一次文件編輯。

當對話太長，它會主動構建并向 AI 注入一個通常小于 2KB 的“快照”，相當于在代碼編輯過程中建立了一個“存檔點”。官方表示，這種機制能將大模型連續編程的有效時間從 30 分鐘提升至 3 小時。

最后，context-mode 引入了強制性“用代碼思考（Think in Code）”的范式，從而節省 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“小程序”，讓“小程序”先在本地完成數據分析，再將提煉后的結果反饋給模型。

context-mode 創始人 Mert 告訴《智能涌現》，開發者陷入了一個誤區：習慣將海量數據直接丟給大模型進行處理。實際上，面對 50 個文件的數據統計任務，與其讓模型親自逐個閱讀，不如先讓模型寫一段腳本，由腳本完成統計工作，再把結果返回給模型。

用 Mert 的話說，一個腳本可以替代十幾個昂貴的工具調用，并節省百倍的上下文。

根據《智能涌現》的測試，接入 context-mode 后，模型處理一份文件時，節省了 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環境的獨立開發軟件（IDE）更低。作為一個輕量級的 MCP（模型上下文協議）插件中間件，context-mode 可以直接接入開發者原有的工作流中。

context-mode 團隊還提供了一系列快捷指令，用來查看各大平臺的 Token 節省情況。用戶只需要在聊天框中輸入指令，瀏覽器就會彈出一個本地的數據統計面板，記錄著當周調用了多少次 API，以及 context-mode 攔截了多少次無效的數據讀取。

△快捷指令列表。 圖源: context-mode

近期，context-mode 針對企業研發場景，推出了“上下文即服務”。

在企業研發場景中，AI 的 ROI 往往難以衡量。

為此，context-mode 推出了企業服務“Insights”。獲得授權后，安裝在程序員電腦上的插件，可以直接將程序員使用 AI 的過程數據（比如調用了什么工具、報錯了幾次、消耗了多少錢），發送到Insights 所在服務器上。

與此同時，Insights 還能針對不同崗位，提供不同的數據報告。比如面向安全總監，系統會自動生成安全報告；面向財務團隊，系統可以提供 Tokens 消耗明細。

目前，Insights 仍處于定向內測階段。

Founder思考

• 停止將大模型視為“數據處理器”，它本質上是“代碼生成器”。

現在很多平臺和開發者陷入了一個誤區，喜歡把 50 個文件直接讀入上下文，讓大模型去里面“數”有多少個函數。

這不僅緩慢，而且極其浪費算力。我們的主張是“用代碼思考（Think in Code）”——LLM 應該去編寫一個統計腳本來完成計數，最后只輸出結果。

一個腳本可以替代十幾個昂貴的工具調用，并節省百倍的上下文。在未來的 AI 編程范式中，這是所有平臺都必須遵循的底層鐵律。

• 無限上下文是一個偽命題，克制才是 AI 工具最難建立的壁壘。

行業里都在卷大模型的長文本能力（比如 100K 甚至 1M 的上下文），但這其實是個陷阱。把幾十 KB 的報錯日志一股腦傾倒給 AI，只會加速它的“失憶”和幻覺。

真正的解法不是盲目擴容，而是建立起一套極度克制的“狀態記憶層（沙盒）”。誰能把傳給 AI 的無效噪音壓縮到極致，誰才能真正幫開發者把連續編程的時間從 30 分鐘延長到 3 個小時。

• 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。

現在大家都在抱怨 AI 會在同一個 Bug 上反復跌倒。這并不是因為模型變笨了，而是它在冗長的對話中迷失了。

只有給 AI 提供像單機游戲一樣的存檔點，強制它按優先級讀取記憶，才能為它真正有價值的邏輯推理留出足夠的空間。

• 大廠在卷“全家桶”，而我們在做跨平臺的“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，是因為真實的開發者生態永遠是碎片化且快速迭代的。

開發者不需要另一個被大廠深度綁定的全能 Agent，他們需要的是一個輕量、不吃內存、即插即用且能極大降低 API 賬單的中間件。