Context Mode：解决AI编程助手上下文污染与中断的MCP服务器

/* MD / 富文本中的 .toc（含博客园搬家等嵌套结构）；.toc-box 在侧栏，不受影响 */
#content_views .toc,
/* 编辑器常在目录前后插入空 p（:empty 仍占 20px），一并去掉避免顶空隙 */
#content_views.markdown_views > p:empty:has(+ .toc),
#content_views.markdown_views > .toc + p:empty,
/* 富文本旧版目录标记 */
#content_views.htmledit_views #main-toc,
#content_views.htmledit_views #hr-toc,
#content_views.htmledit_views p[id*=\”-toc\”] {
display: none !important;
}
/* 目录去掉后，紧跟的首个标题不再多出一块上边距 */
#content_views.markdown_views > .toc + h1,
#content_views.markdown_views > .toc + h2,
#content_views.markdown_views > .toc + h3,
#content_views.markdown_views > .toc + h4,
#content_views.markdown_views > .toc + p:empty + h1,
#content_views.markdown_views > .toc + p:empty + h2,
#content_views.markdown_views > .toc + p:empty + h3,
#content_views.markdown_views > .toc + p:empty + h4 {
margin-top: 0 !important;
}

1. 项目概述：Context Mode，一个解决AI编程助手上下文危机的MCP服务器

如果你和我一样，每天都在用Claude Code、Cursor或者VS Code Copilot这些AI编程助手，那你肯定遇到过这个让人头疼的问题：干着干着活儿，AI突然就“失忆”了。你让它改个文件，它问你“哪个文件来着？”；你让它查个日志，它把几十KB的原始数据全塞进对话窗口，结果没聊几句，宝贵的上下文窗口就被这些原始数据占满了，然后AI就开始“压缩对话”，一压缩，之前的工作状态全丢了。

这就是所谓的“上下文污染”和“会话中断”问题。每次AI调用工具——比如用Playwright截个屏、读一堆GitHub issue、或者分析访问日志——这些工具的原始输出都会直接灌进上下文窗口。一个Playwright快照56KB，二十个GitHub issue 59KB，一份访问日志45KB。工作半小时，40%的上下文容量就没了。当AI为了腾出空间而压缩对话时，它就会忘记正在编辑的文件、进行中的任务，甚至你刚才让它做什么。

Context Mode 就是为了解决这个问题而生的。它不是一个普通的MCP（Model Context Protocol）服务器，而是一个完整的上下文管理生态系统。它的核心思想很简单，但执行得很彻底： 别让原始数据污染上下文，让AI像程序员一样思考——写代码去处理数据，而不是自己当计算器。

我在实际项目中用了Context Mode几个月，最直观的感受就是：AI助手终于能“记住”事情了。一个复杂的重构任务，中间我去吃了个饭，回来继续聊，AI能无缝接上，知道哪些文件改了一半，哪些测试还没跑。这种连续性，在以前是不可想象的。

2. 核心设计哲学：从数据消费者到代码生成者

2.1 传统AI工具调用的三大痛点

在深入Context Mode的具体实现之前，我们先得搞清楚传统AI工具调用模式到底哪里出了问题。根据我的实际使用经验，主要有三个致命伤：

痛点一：上下文窗口的“垃圾填埋场”效应 大多数MCP工具的设计思路是“我帮你执行，然后把结果全给你”。这听起来很合理，但实际操作中就成了灾难。比如让AI“分析最近10个错误日志”，传统的 read_file 工具会把10个日志文件的内容——可能总共几百KB——全部塞进上下文。AI确实“看到”了数据，但代价是消耗了宝贵的上下文令牌，而这些令牌本应用来记住任务目标、代码结构和你的指令。

痛点二：会话压缩等于记忆清零 当上下文窗口快满时，AI平台（如Claude、GPT）会启动“对话压缩”。这个机制的本意是好的——保留对话的“要点”，删除“细节”。但问题在于，AI怎么知道什么是“要点”？在实际操作中，它往往会丢掉文件路径、具体的错误信息、中间的计算结果。压缩之后，AI就像得了健忘症，你得重新告诉它一切。

痛点三：AI在干它不该干的活 让大语言模型（LLM）去逐行分析日志、统计函数调用次数、或者从JSON响应中提取特定字段，这就像用手术刀砍柴——不是不能用，但效率极低，而且浪费了它真正的强项：理解和生成代码。LLM应该是一个 程序员 ，而不是一个 数据处理器 。

2.2 Context Mode的三大解决方案

Context Mode针对这三个痛点，提出了一个完整的解决方案框架：

1. 上下文保护（Context Saving） 通过“沙箱工具”把原始数据挡在上下文窗口之外。比如原本56KB的Playwright快照，经过 ctx_execute 处理后，只有299字节的标准输出进入对话。315KB的批量操作可以压缩到5.4KB——98%的减少。这不是压缩算法，而是根本不让冗余数据进来。

实操心得 ：这里的关键是“意图驱动过滤”。当你让AI“检查日志中是否有ERROR级别的记录”时， ctx_execute 不仅运行 grep \”ERROR\” app.log ，还会把完整的日志内容索引到知识库中。如果后续你需要“找到ERROR之后的那行堆栈跟踪”，AI可以直接查询知识库，而不需要重新读取整个文件。

2. 会话连续性（Session Continuity） Context Mode在SQLite数据库中跟踪每一个事件：文件编辑、Git操作、任务执行、错误、用户决策。当对话被压缩时，它不会把这些数据倒回上下文，而是用FTS5（全文搜索）建立索引，通过BM25算法按相关性检索。AI能精确地“捡起”之前的工作，就像你离开电脑几分钟后回来继续编码一样自然。

3. 代码思维（Think in Code） 这是最根本的范式转变。不让LLM去“计算”，而是让它“编程”。比如，不让AI自己数项目中有多少个函数，而是让它写一个脚本：

// AI生成的脚本
const fs = require(\’fs\’);
const path = require(\’path\’);

function countFunctions(dir) {
let total = 0;
const files = fs.readdirSync(dir, { recursive: true });

files.forEach(file => {
if (file.endsWith(\’.js\’) || file.endsWith(\’.ts\’)) {
const content = fs.readFileSync(path.join(dir, file), \’utf8\’);
// 简单的函数匹配（实际中可以用更复杂的解析）
const functionMatches = content.match(/(function\\s+\\w+|const\\s+\\w+\\s*=\\s*\\(|=>)/g);
if (functionMatches) total += functionMatches.length;
}
});

return total;
}

console.log(`Total functions: ${countFunctions(\’.\’)}`);

然后通过 ctx_execute 运行这个脚本，只有结果（比如 Total functions: 142 ）进入上下文。一个脚本替代了十次工具调用，节省了100倍的上下文空间。

3. 核心工具深度解析

Context Mode提供了10个核心工具，我把它们分为三类：执行工具、查询工具和工具。

3.1 执行工具：沙箱化的命令执行

ctx_execute – 单命令沙箱执行 这是最常用的工具。它支持11种语言：JavaScript、TypeScript、Python、Shell、Ruby、Go、Rust、PHP、Perl、R和Elixir。每个调用都产生一个独立的子进程，完全隔离。

// 示例：让AI分析项目依赖
const { execSync } = require(\’child_process\’);
const packageJson = JSON.parse(fs.readFileSync(\’package.json\’, \’utf8\’));

const deps = Object.keys(packageJson.dependencies || {});
const devDeps = Object.keys(packageJson.devDependencies || {});

console.log(`Production dependencies: ${deps.length}`);
console.log(`Dev dependencies: ${devDeps.length}`);
console.log(\’Outdated packages:\’);
try {
const outdated = execSync(\’npm outdated –json\’, { encoding: \’utf8\’ });
console.log(JSON.parse(outdated));
} catch (e) {
console.log(\’All packages are up to date\’);
}

ctx_batch_execute – 批量执行与查询 这是效率提升的关键。传统模式下，AI要执行5个命令需要5次工具调用，每次都有开销。 ctx_batch_execute 允许在单次调用中执行多个命令和查询。

{
\”commands\”: [
\”git status\”,
\”npm run test — –listTests\”,
\”find src -name \’*.ts\’ -exec wc -l {} \\\\;\”
],
\”queries\”: [
\”最近三次构建失败的原因\”,
\”用户登录相关的API端点\”,
\”数据库迁移状态\”
]
}

注意事项 ：批量执行时，命令是按顺序执行的，但查询是并行执行的。如果命令B依赖于命令A的输出，你需要确保顺序正确。另外，批量查询会同时搜索知识库，返回最相关的结果，这比让AI自己“回想”要准确得多。

ctx_execute_file – 文件处理沙箱 专门用于处理文件的工具。AI可以上传一个文件（或文件路径），在沙箱中处理，只有处理结果进入上下文。

# 示例：让AI分析CSV文件
import pandas as pd
import sys

file_path = sys.argv[1]
df = pd.read_csv(file_path)

# 只输出摘要统计，而不是整个DataFrame
print(f\”Rows: {len(df)}, Columns: {len(df.columns)}\”)
print(\”Column types:\”)
for col in df.columns:
print(f\” {col}: {df[col].dtype}\”)

print(\”\\nMissing values per column:\”)
print(df.isnull().sum())

print(\”\\nFirst 3 rows (sample):\”)
print(df.head(3))

3.2 查询工具：智能的知识检索

ctx_index – 内容索引引擎 这是会话连续性的基础。它把Markdown内容按标题分块，建立FTS5全文搜索索引。BM25算法确保相关性的准确排序。

# API设计规范
## 认证
### JWT令牌
有效期24小时，刷新令牌30天
### API密钥
每个用户最多创建5个密钥

## 速率限制
### 免费层
1000请求/天
### 付费层
10000请求/天

索引后，AI可以查询“API速率限制是多少”，系统会返回“免费层1000请求/天，付费层10000请求/天”，而不是把整个文档塞进上下文。

ctx_search – 多查询检索 支持同时执行多个搜索查询，返回按相关性排序的结果。这是实现“记忆”的关键。

{
\”queries\”: [
\”用户认证流程\”,
\”数据库连接池配置\”,
\”错误处理中间件\”
],
\”limit\”: 3
}

ctx_fetch_and_index – 网络内容获取与索引 获取URL内容，自动分块索引，带24小时TTL缓存。重复调用直接读缓存，除非指定 force: true 。

实操心得 ：这个工具特别适合文档调研。比如让AI“查看React 18的新特性”，它会用这个工具获取官方文档，索引后，后续关于“并发特性”或“自动批处理”的查询都直接从本地知识库回答，不需要重新下载文档。

3.