登顶GitHub与Hacker News，开源项目AI编程成本直降98%
图源: context-mode
简单来说，context-mode是一款专门为AI编程助手“减负”和“梳理记忆”的开源MCP插件。项目发布后一度**登顶GitHub Hacker News**，目前已在GitHub获得超过1.5万颗Star。至今已吸引逾24.3万名开发者接入，完成了对15个主流平台的底层适配，并被微软、谷歌、Meta、字节跳动以及Cursor等科技公司的研发团队采用。
context-mode在极客圈迅速走红，核心原因在于它精准命中了让无数开发者抓狂的行业痛点：**被高昂的API账单和大模型的“失忆症”逼到崩溃的开发者。**
随着“龙虾（OpenClaw）”等全自动AI编程智能体的普及，Vibe Coding的门槛不断降低。但享受AI带来的效率提升的同时，用户很快意识到：智力是有成本的。一方面，Claude、GPT等顶尖模型的Token定价并不便宜，包含充足Token额度的套餐，月费动辄200美元。另一方面，模型在执行具体任务时的反复试错、重复检索，都会造成额外的Token浪费——而这笔开支最终全部转嫁到开发者头上。
在实际开发场景中，大模型往往表现得像个“缺乏常识的数据处理机器”。团队成员孙逸诚分享过一个真实踩坑经历：参加Kaggle数据竞赛时，他交给Claude一个包含300组数据的训练任务。为了确认任务进度，Claude没有选择编写一段定时脚本，而是每隔5秒向整个项目发起一次全局检索。这种极度低效的“死盯”策略，让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，大模型还存在严重的“失忆”问题。当代码量触及某些主流IDE的隐形上限（比如164K）时，系统会不得不丢弃或压缩历史信息，导致模型遗忘关键细节。这就好比前一秒还在流畅写代码的AI，下一秒就把前置的关键架构和约束条件忘得一干二净。
面对这种局面，context-mode给出的解法很直接：**既然大模型处理海量原始数据既昂贵又笨拙，那就剥夺它直接阅读原始数据的权利。**
孙逸诚打了一个比方：“传统的AI编程就像观看一场马拉松，大模型会死死盯着每一个选手的每一步，这当然会耗尽它的上下文。而context-mode做的，**是把跑马拉松的过程扔进一个屏蔽的沙盒里，大模型只需要看最后的排名结果。**”
**具体工作原理方面，首先是通过引入“虚拟沙盒”与精准检索，有效降低Token消耗。**
在传统调用模式中，每一次MCP工具的调用都极其昂贵，庞大的原始数据会被直接倾倒进大模型的上下文窗口，导致Token消耗量急剧上升。context-mode的“虚拟化沙盒”机制，相当于在大模型和操作系统之间建立了一道“防火墙”——它先把所有文件和运行记录存放在本地，需要用到时再帮大模型把相关内容提取出来。
《智能涌现》的测试结果
根据实际测试，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，为了解决大模型的“失忆”痛点，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建立了一个“存档点”。官方表示，**这种机制能将大模型连续编程的有效时间从30分钟提升至3小时。**
**最后，context-mode引入了强制性“用代码思考（Think in Code）”的范式，进一步节省Token消耗。**
所谓Think in Code，简单来说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“小程序”先在本地完成数据分析，再将提炼后的结果反馈给模型。context-mode创始人Mert指出，很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进行处理。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，不如先让模型写一段脚本，由脚本完成统计工作，再把结果返回给模型。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。
根据实测，接入context-mode后，模型处理一份文件时，**节省了99.98%的Token成本。**
context-mode的上手门槛比Cursor等需要重新下载并适应环境的独立IDE要低得多。作为一个轻量级的MCP插件中间件，它可以直接接入开发者原有的工作流中。团队还提供了一系列快捷指令，用来查看各大平台的Token节省情况。用户只需在聊天框中输入指令，浏览器就会弹出一个本地的数据统计面板，记录当周调用了多少次API，以及context-mode拦截了多少次无效的数据读取。
△快捷指令列表。图源: context-mode
近期，context-mode针对企业研发场景推出了**“上下文即服务”**。在企业研发中，AI的ROI往往难以衡量。为此，context-mode推出了企业服务“Insights”。获得授权后，安装在程序员电脑上的插件可以直接将程序员使用AI的过程数据（比如调用了什么工具、报错了几次、消耗了多少钱），发送到Insights所在服务器上。同时，Insights还能针对不同岗位提供不同的数据报告——面向安全总监自动生成安全报告，面向财务团队提供Tokens消耗明细。目前，Insights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”。**
现在很多平台和开发者陷入了一个误区，喜欢把50个文件直接读入上下文，让大模型去里面“数”有多少个函数。这不仅缓慢，而且极其浪费算力。我们的主张是“用代码思考（Think in Code）”——LLM应该去编写一个统计脚本来完成计数，最后只输出结果。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，这是所有平台都必须遵循的底层铁律。
- **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。**
行业里都在卷大模型的长文本能力（比如100K甚至1M的上下文），但这其实是个陷阱。把几十KB的报错日志一股脑倾倒给AI，只会加速它的“失忆”和幻觉。真正的解法不是盲目扩容，而是建立起一套极度克制的“状态记忆层（沙盒）”。谁能把传给AI的无效噪音压缩到极致，谁才能真正帮开发者把连续编程的时间从30分钟延长到3个小时。
- **下一代AI编程的瓶颈不在于模型够不够聪明，而在于上下文管理框架够不够清晰。**
现在大家都在抱怨AI会在同一个Bug上反复跌倒。这并不是因为模型变笨了，而是它在冗长的对话中迷失了。只有给AI提供像单机游戏一样的存档点，强制它按优先级读取记忆，才能为它真正有价值的逻辑推理留出足够的空间。
- **大厂在卷“全家桶”，而我们在做跨平台的“万能插座”。**
我们花大量精力去适配Cursor、Claude、Gemini等不同的底层逻辑，是因为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、不吃内存、即插即用且能极大降低API账单的中间件。