文｜李嘉星

编辑｜周鑫雨

在连续编程过程中，大模型常常面临“内存瓶颈”，而API账单却持续飙升——这或许是2025年AI开发者最真实的痛点。有没有一种可能，让AI的记忆力更持久，同时还能显著降低成本？

context-mode正是为此而诞生的。这是一款专为AI编程场景打造的上下文优化MCP插件，其核心目标直击两大棘手问题：模型失忆与Token过度消耗。

一句话介绍

简单来说，context-mode能够让AI编程的成本降低98%——这不是空谈，而是团队实战跑出的真实数据。与此同时，大模型的记忆持续时长能从30分钟跃升至3小时。这意味着，原本写一会儿就“断片重启”的AI，现在可以陪你一口气连续工作三个小时。

团队背景

那么，这个出色方案出自谁手？context-mode背后是一支跨国团队，核心成员分布在土耳其、法国等四个国家，通过GitHub异步协作模式运转，硬是将这个项目推上了GitHub Hacker News榜首。

Mert Köseoğlu（核心开发者、创始人）：曾担任OpenAI技术顾问，拥有超过10年的全栈工程与系统架构经验。创业之前，他在Countly、Planhat、Jotform等全球知名的数据与SaaS平台担任高级软件工程师，技术功底极为扎实。

孙逸诚（核心开发者、多平台适配负责人）：团队中的中国面孔，目前还在大二就读。这位同学不仅入围过强基计划（全省数学物理前18名），还独立开发了Temporal-RAG引擎，并荣获知乎全球A2A黑客松银奖。用他自己的话说，“代码写得还行，主要是对成本优化很有一套心得。”

产品及业务

图源: context-mode

context-mode之所以能够在极客圈迅速走红，一个关键原因在于：它精准命中了令无数开发者头疼的痛点——被高昂API账单与大模型记忆难题所困扰的AI编程开发者。

随着“龙虾”这类全自动AI编程智能体的兴起，Vibe Coding的门槛确实大幅降低。但随之而来的是新痛点：享受效率提升是一回事，承担费用是另一回事。Claude、GPT等顶尖模型的Token定价并不亲民，配备充足额度的高级套餐动辄200美元一个月。更为棘手的是，模型在执行任务过程中频繁试错、反复检索，导致大量Token被白白浪费。

在实际开发场景中，大模型有时表现得像一个“缺乏常识的数据处理机器”。例如，孙逸诚分享了一个真实案例：参加Kaggle竞赛时，他将一个包含300组数据的训练任务交给了Claude。为了确认任务进度，Claude并未选择编写定时脚本，而是每隔5秒对整个项目执行一次全局检索——这种极其低效的“死盯”策略，使得一个高配会员账号的API额度在短短半小时内消耗了90%。

与此同时，大模型的“失忆”顽疾也是常态。当代码量触及某些主流IDE的隐形上限（例如164K），系统就不得不丢弃或压缩历史信息，直接导致关键细节被遗忘。前一秒还在顺畅编写代码的AI，下一秒就把前置的架构和约束条件抛之脑后。

面对这一现状，context-mode给出的解决方案非常直接：既然大模型直接处理海量原始数据既昂贵又低效，那就限制它直接阅读原始数据的权限。

孙逸诚打了一个非常形象的比方：“传统的AI编程就像观看一场马拉松，大模型会死死盯住每个选手的每一步——这自然会耗尽它的上下文。而context-mode所做的，是将马拉松过程放入一个屏蔽的沙盒中，大模型只需查看最终的排名结果。”

具体到工作原理，首先，通过引入“虚拟沙盒”与精准检索机制，context-mode有效降低了Token消耗。

在传统模式下，每次MCP工具调用都极其昂贵，庞大的原始数据被直接倾泻进大模型的上下文窗口，Token消耗量自然居高不下。而context-mode的“虚拟化沙盒”机制，相当于在大模型与操作系统之间建立了一道“防火墙”。它先将所有文件和运行记录存储在本地，仅在必要时帮助大模型精准提取相关内容。

《智能涌现》的测试结果。

据《智能涌现》测试，接入context-mode后，大模型读取一份79.3KB的文件时，Token消耗成本降低了87.7%。

其次，为解决大模型的“失忆”问题，context-mode通过构建“存档点”，实时监控开发者的每一次文件编辑。当对话过长时，它会主动构建并向AI注入一个通常小于2KB的“快照”——相当于在代码编辑过程中创建了一个“记忆锚点”。官方数据显示，这种机制能够将大模型连续编程的有效时长从30分钟提升至3小时。

最后，context-mode引入了强制性的“用代码思考”范式，进一步优化Token使用效率。

所谓“用代码思考”，简而言之，就是不让模型逐行阅读、处理文件，而是先让模型编写一个“小程序”，让这个脚本先在本地完成数据分析，再将提炼后的结果反馈给模型。Mert告诉《智能涌现》，许多开发者陷入了一个误区：习惯将海量数据直接丢给大模型处理。实际上，面对50个文件的数据统计任务，与其让模型亲自逐个阅读，不如先让模型编写一段脚本，由脚本完成统计，再将结果返回。

一个脚本可以替代十几个昂贵的工具调用，并节省百倍的上下文。根据《智能涌现》测试，接入context-mode后，模型处理一份文件时，节省了99.98%的Token成本。

在入门门槛方面，context-mode比Cursor这类需要重新下载并适应环境的独立开发软件更低。作为一个轻量级的MCP插件中间件，它可以直接接入开发者现有的工作流程中。团队还提供了一系列快捷指令，用于查看各大平台的Token节省情况——用户只需在聊天框中输入指令，浏览器便会弹出一个本地数据统计面板，记录当周调用了多少次API，以及context-mode拦截了多少次无效数据读取。

△快捷指令列表。 图源: context-mode

近期，context-mode还针对企业研发场景推出了“上下文即服务”。在企业环境中，AI的ROI往往难以量化。为此，团队推出了“Insights”企业服务——获得授权后，插件可以将程序员使用AI的过程数据（如调用了哪些工具、报错次数、消耗费用）发送至Insights服务器。同时，Insights还能根据不同岗位生成定制报告：面向安全总监自动生成安全报告；面向财务团队提供Token消耗明细。目前此项服务仍处于定向内测阶段。

Founder思考

• 停止将大模型视为“数据处理器”，它本质上是“代码生成器”。

如今许多平台和开发者陷入误区：喜欢将50个文件直接读入上下文，让大模型从中“数”出有多少个函数。这不仅效率低下，而且极其浪费算力。正确的做法是采用“用代码思考”模式——LLM应当编写一个统计脚本来完成计数，最终仅输出结果。一个脚本可以替代十几个昂贵的工具调用，并节省百倍的上下文。在未来的AI编程范式中，这将成为所有平台必须遵循的核心原则。

• 无限上下文是一个伪命题，克制才是AI工具最难建立的壁垒。

行业目前都在比拼大模型的长文本能力，100K、1M的上下文层出不穷。但这实际上是一个陷阱——将几十KB的报错日志一股脑倾倒给AI，只会加速其“失忆”和产生幻觉。真正的解决方案不是盲目扩容，而是建立一套高度克制的“状态记忆层”。谁能将传递给AI的无效噪音压缩到极致，谁才能真正帮助开发者将连续编程的时间从30分钟延长到3小时。

• 下一代AI编程的瓶颈不在于模型是否足够聪明，而在于上下文管理框架是否足够清晰。

现在大家都在抱怨AI会在同一个Bug上反复跌倒。这并非模型变笨了，而是它在冗长的对话中迷失了方向。只有为AI提供类似单机游戏的存档点，强制其按优先级读取记忆，才能为真正有价值的逻辑推理留出足够空间。

• 大厂在卷“全家桶”，而我们在做跨平台的“万能插座”。

团队花费大量精力去适配Cursor、Claude、Gemini等不同的底层逻辑，原因很简单：真实的开发者生态永远是碎片化且快速迭代的。开发者不需要另一个被大厂深度绑定的全能Agent，他们需要的是一个轻量、低内存占用、即插即用且能大幅降低API账单的中间件。