工具与产品可动手 10月19日周一 #context-engineering #coding #mcp

context-mode：为编码 Agent 压缩上下文的 MCP 工具

context-mode 是一个面向 AI 编码 Agent 的上下文优化工具，以 MCP 服务形式提供 11 个工具。它让命令和脚本在隔离子进程中执行，只把输出结果放进上下文；同时把会话事件写入 SQLite，用 FTS5 建索引，在上下文压缩后通过 BM25 检索找回相关记录。

要点

支持 Claude Code、Gemini CLI、Copilot、Cursor、Codex CLI、Qwen Code 等十多种 Agent，部分平台只支持 MCP 不支持 hooks
检索结合 Porter 词干与 trigram 匹配，用 Reciprocal Rank Fusion 融合排序
项目页宣称上下文体积可减少 98%（315KB 降到 5.4KB），该数字来自项目自述，未经独立验证
Elastic License 2.0 许可证，商用前需确认条款

为什么值得关注

上下文管理是长时间运行的 Agent 的核心难题。它的「执行结果不进上下文、历史按需检索」思路可以直接借鉴到自建工作流中，今天的配套实验就复现了这一机制。

配套实验

已验证 GitHub Actions 实际运行 · Python 3.12.15 · 耗时 0.2s

用 SQLite FTS5 + BM25 复现 Agent 会话记忆检索

验证 context-mode 采用的思路：把编码 Agent 的会话事件写入 SQLite FTS5，用 BM25 排序并以 RRF 融合 porter 与 trigram 两路检索，上下文压缩后按需取回少量相关记录。

结论RRF Top-3 recall = 0.88 (7/8)

…
   期望 #9: Edited config/settings.toml: raised http client timeout from 5s to 15s
   RRF Top-1 #9  porter=✓  trigram=✓  rrf=✓

Top-3 命中率：
  porter   7/8
  trigram  7/8
  rrf      7/8

上下文体积（粗略估算）：全量回放 ≈ 448 tokens，单次检索 Top-3 平均 ≈ 46 tokens（约 10%）
说明：事件越多，全量回放线性增长，而检索 Top-K 基本不变。
未命中的问题（词面不重合，属于纯词法检索的固有局限）：
  - which database did the user choose

RESULT: RRF Top-3 recall = 0.88 (7/8)

python main.py 查看代码与内网复现步骤 →

来源

原文 mksglu/context-mode GitHub · github.com

### [context-mode：为编码 Agent 压缩上下文的 MCP 工具]({{URL}})

context-mode 是一个面向 AI 编码 Agent 的上下文优化工具，以 MCP 服务形式提供 11 个工具。它让命令和脚本在隔离子进程中执行，只把输出结果放进上下文；同时把会话事件写入 SQLite，用 FTS5 建索引，在上下文压缩后通过 BM25 检索找回相关记录。

- 支持 Claude Code、Gemini CLI、Copilot、Cursor、Codex CLI、Qwen Code 等十多种 Agent，部分平台只支持 MCP 不支持 hooks
- 检索结合 Porter 词干与 trigram 匹配，用 Reciprocal Rank Fusion 融合排序
- 项目页宣称上下文体积可减少 98%（315KB 降到 5.4KB），该数字来自项目自述，未经独立验证
- Elastic License 2.0 许可证，商用前需确认条款

**为什么值得关注**：上下文管理是长时间运行的 Agent 的核心难题。它的「执行结果不进上下文、历史按需检索」思路可以直接借鉴到自建工作流中，今天的配套实验就复现了这一机制。

来源：[mksglu/context-mode](https://github.com/mksglu/context-mode)