上下文工程实践指南：优化 AI 编程的核心策略

上下文工程的本质其实很简单：在有限的 token 预算内，用最高质量的信息喂养 AI，而不是用更多信息淹没它。

这不是信息越多越好的游戏。

先搞清楚几个事实

• Claude Code 标称 200k tokens 窗口，但实际可用只有约 120k
• 系统提示占 10.2%，预留空间占 22.5%
• 上下文过载会让 LLM 性能明显下降

所以关键问题不是"怎么塞更多东西进去"，而是"怎么让每个 token 都有价值"。

基础策略：先把这几件事做了

升级到 Max Plan

用 /upgrade 命令。启用最新模型（Opus 4.5）。这是最基本的。

项目初始化

用 /init 帮助 Claude 理解项目结构，建立基础上下文认知。

Plan Mode

用 Shift + Tab 激活。让 Claude 在执行前主动识别模糊点，减少后面的返工。

工作流策略：对话分段

每个对话设定单一明确目标。"修复这个 bug"行，"改进整个系统"不行。

完成后立即 /new 开启新对话。不要在一个对话里堆太多东西。

重置的艺术

这个很多人不舍得做，但很重要：

• 用 /rewind 回到正常状态的历史节点
• 用 /new 重新开始，并明确说明要避免的错误

当上下文已经被"垃圾"污染，继续硬撑不如重新开始。沉没成本谬误在这里很常见。

复杂性陷阱：别太早上高级工具

⚠️ 这个坑很多人踩过：

• 多个 MCP 服务器会用低信号数据淹没上下文
• Subagents 增加成本但未必提升效果
• 先用基础对话验证方向，再逐步添加工具

工具不是越多越好。每多接一个，上下文里的噪音就多一层。

高级工具链

等你真的需要的时候再用：

MCP Servers（模型上下文协议服务器）

用途是 Just In Time 上下文。比如 Exa.ai 做网络搜索，Context7 做文档查询。原则是按需拉取信息，不是预先加载。

Subagents（子代理）

把 token 密集型任务外包给子进程，返回精炼摘要给主代理。可以用更便宜的模型（比如 Sonnet）处理子任务。

Skills（技能模块）

可复用的专业提示词。比如前端设计师人格、代码审查专家。按需调用专业上下文块，而不是永久占用空间。

怎么知道该重置了？

几个信号：

• AI 开始答非所问
• 重复建议之前已经否决的方案
• 遗漏关键细节
• "对话变慢"的感觉

观察到这些，考虑重置。

可执行清单

1. ✅ 升级到 Max Plan，启用 Opus 4.5
2. ✅ 每次新对话写下单一目标，完成后立即 /new
3. ✅ 使用 Plan Mode，在执行前让 Claude 识别模糊点
4. ✅ 建立"重置触发器"——AI 开始"重复老问题"或"忘记之前决策"时，立即 /rewind
5. ✅ 延迟引入复杂工具——先用基础对话验证方向正确
6. ✅ 创建技能库——把反复使用的专业提示词保存为可调用模块
7. ✅ 实践 JIT 上下文——用 MCP 服务器按需拉取信息

一个类比

就像维护一个清洁的工作台。

真正的高手不是把所有工具都摆在台面上，而是只放当前任务需要的工具。用完即时归位，下一个任务换一套新工具。桌面越乱，找东西越慢，出错率越高。

最后

不要把 AI 当无限资源使用。

虽然有 200k token 窗口，但上下文窗口也有"工作记忆"和"长期记忆"的区别。盲目塞满会导致"信息肥胖"——看似什么都有，实际什么都用不上。

真正的上下文工程，是在信息极简主义和按需扩展能力之间找到平衡点。

Vibe Coding 的成功依赖于价值密集的上下文。如果上下文被"垃圾信息"污染，重置比修复更高效。

这不是技术问题，是认知负载管理和信息架构设计的艺术。