上下文工程ClaudeCode、Hermers、Openclaw

公众号名称：歪斯Wise

发布时间：2026-04-24 08:48

你的 AI 越聊越蠢、开始一本正经胡说八道，问题不一定出在模型身上，大概率是上下文窗口出了问题。

👉 右滑看完整解析（13张图，建议收藏慢慢看）

1️⃣什么是上下文工程？
模型在真正工作的时候会看见：持久化的记忆、全局规则（比如 CLAUDE.md）、系统提示词、你的输入、MCP工具的描述信息、工具调用后返回的结果、最近几轮的对话历史、压缩后的摘要……

这些东西每一轮怎么组合、怎么裁剪、什么时候出现、什么时候消失，就是上下文工程要解决的问题。

2️⃣为什么要关注上下文？
因为上下文窗口有四个致命的问题：
1）窗口有上限
文件读取、工具输出、推理过程会迅速累积，很快就触发上限，而且大量噪音会挤占模型真正用来”思考”的Token空间。

2）上下文越长越笨
内容越多注意力越差，就像让你从800字里迅速找到某句话一样难。

3）越长越贵越慢
每一轮都要重新发送整个上下文，Token成本和响应速度都在持续恶化。

4）新窗口不记事
除非你主动设计记住机制，否则模型不会自动记住上一次会话发生了什么。

3️⃣三大 Agent的核心机制
💰Claude Code的做法最”精明”
把它理解成预算调度，而是分了5层渐进处理：高噪音的工具输出，再裁剪远期对话，然后利用缓存做轻量压缩，之后才进入更重的折叠和自动压缩。

压缩完之后它会自动恢复最近读取的5个文件和已激活的技能。

🚀OpenClaw的思路是”开放给你自定义”
Context Engine 的可替换组件，自己决定什么信息要存储、什么时候压缩、上下文按什么结构来组织。

📝Hermes最激进。
上下文用到50%就开始压缩，不等到快爆了才处理。

而且压缩出来的是一份结构化的交接文档：当前目标是什么、完成进度如何、核心决策有哪些、涉及了哪些文件、下一步要做什么。

4️⃣5条实用的设计启发
① 上下文要分层，不要”平权”
② 能删就删，不要浪费推理Token去总结那些本该消失的东西
③ 缓存的稳定性是一等公民
④ 压缩结果写成交接文档，不是总结
⑤ 压缩后必须恢复工作集

#上下文工程 #AI编程工具 #claudecode #anthropic #AI技术入门指南 #ai #Hermes #openclaw #龙虾

图1：

图2：

图3：

图4：

图5：

图6：

图7：

图8：

图9：

图10：

图11：

图12：

图13：

---

内容效果不满意？点此反馈