VibeCoding 告别 AI 失忆：两大 9K+ Star 项目帮你节省 98% Token

在 VibeCoding 过程中，我们几乎总会撞上一个棘手的状况：

AI 编程助手频频“失忆”

来看看两个 Star 数超过 9K 的项目，分别给出了怎样的解决思路：

  • context-mode：专攻 AI Agent 上下文优化——最高减少 98% 的 token 消耗

  • claude-context：Claude Code 的代码搜索 MCP——把整个代码仓库变成可用的上下文

有趣的是，这两个项目瞄准的是同一个痛点，但走的路子却刚好相反。

01 几乎所有人都踩过的坑

用 AI 辅助写代码的时候，你多半经历过这样的循环：

最初 10 分钟，AI 记得你说过的每一个要求。你嘱咐“用 TypeScript，禁止 any 类型”，它规规矩矩照办。

20 分钟过去，它开始重复询问你早就回答过的事情。

半小时之后，它变得迟钝又茫然，甚至问你“这是 React 还是 Vue？”

不用多想，上下文窗口已经被塞得满满当当。

紧跟着，AI 就开始出现“健忘症”。

Image

02 Context Mode：用“暴力压缩”对抗遗忘

Context Mode 的思路相当直白：

既然工具输出太占地方，那就直接拦下来，别让它塞进上下文。

它在 Claude Code 和各种工具之间插了一层拦截器，把每一次工具产出的内容先压缩，再把浓缩结果传给 AI。

官方提供的数据是，从 315KB 压缩到 5.4KB，压缩率高达 98%。

Image

它是怎么做到的？

我读过它的实现思路，核心是一个三阶段的处理流水线：

第一阶段：剔除明显的噪声

重复出现的调试日志进度条里循环刷屏的信息（如“50%...51%...52%...”）

第二阶段：提取真正有价值的信息

错误描述警告提示状态变更（比如“构建成功”）

第三阶段：建立可检索索引 被压缩掉的内容并不会凭空消失，而是持久化存储在本地数据库中。AI 后续可以通过语义搜索重新找回这些信息，而不必让它们一直占着上下文窗口。

官方还给出了一项评估：在保证检索质量的情况下，token 使用量能够降低 40%。

同一条对话，要么成本降低 40%，要么会话有效时长延长 67%

安装起来只需要一行命令：

claude mcp add context-mode \
  -e OPENAI_API_KEY=your-key \
  -- npx context-mode@latest

部署完成后对操作习惯几乎是零影响，你依然可以像往常一样和 Claude 对话，压缩和检索在背后悄然运转。

03 Claude Context：用精准检索对抗遗忘

Claude Context 选择了一条截然不同的路线：

不靠压缩来节省空间，而是让 AI 更快速、更准确地找到真正需要的代码。

它将整个代码仓库构建成一个向量数据库，用语义搜索取代传统的目录遍历。

当你询问“认证逻辑在哪里实现”，它能直接定位到相关的代码片段，而不是让 AI 一个文件接一个文件地翻。

Image

我仔细看了一下它的架构，大致包含：

向量数据库：Milvus（或者 Zilliz Cloud）
Embedding 引擎：支持 OpenAI、VoyageAI、Ollama、Gemini
代码切分：基于 AST 的智能分块
索引策略：Merkle 树驱动的增量更新

这里最值得注意的是增量更新这个设计。

大型项目动辄数万个文件，全量索引可能需要几分钟。但如果你只改了 10 个文件，就只重新索引这 10 个，几秒钟就能完成更新。

从架构上看，它同样以 MCP 服务器的形式存在，但它和 Context Mode 解决的问题切面完全不同。
维度 Context Mode Claude Context
解决的问题 工具输出过于臃肿 代码检索效率低下
核心思路 减少进入上下文的信息总量 提升进入上下文的信息质量
适合场景 频繁执行命令的工作流 大型代码仓库的深度理解

假如你的项目只有几千行代码，Claude Context 的优势可能并不突出。

但当你面对几万行甚至几十万行规模时，语义搜索带来的效率提升就是一次质的飞跃。

安装步骤

这里需要自己配置向量数据库，稍微多几步：

git clone https://github.com/zilliztech/claude-context.git
cd claude-context
# 按需配置环境变量
export MILVUS_URL=your-milvus-url
export OPENAI_API_KEY=your-key
npm install

如果你觉得手动配置麻烦，完全可以把上面的命令直接丢给 Agent，让它帮你完成。

04 我的实际搭配方案

Context Mode：

✅ 你经常在对话里执行测试、部署、调试等命令
✅ 单次对话时长经常超过 30 分钟
✅ 工具输出频繁刷屏（比如构建日志几百行持续滚动）

以前大半个小时一过，AI 就开始忘东忘西，现在它能稳定撑到两小时以上。

唯一的代价是本地会占用一点磁盘空间，索引数据库通常几百 MB 左右。

Claude Context：

✅ 项目代码规模超过 1 万行
✅ 经常做架构分析、重构等需要全局理解的活儿
✅ 反复问“某个功能在哪儿实现的”这类问题

对于几千行的小项目，它带来的体感变化不大

但换到大项目里（我亲自在一个 5 万行的仓库上试过），提升非常明显。

过去问一次“用户认证模块在哪”，AI 得挨个读十几个文件。现在靠一次语义搜索就能直接定位。

要注意的是，它依赖外部向量数据库

可以选择 Zilliz Cloud（有免费额度），也可以自己在本地部署 Milvus。

我自己的配置

目前我两个都装上了：

Context Mode 常驻后台，负责日常对话的上下文优化
Claude Context 在接手大项目时按需启用，专门解决代码全局检索问题

效率和流畅度的提升相当直观。

写在最后

AI 编程助手的竞争已经悄然转向

不再是“谁的底层模型更强”，而是“谁的工具链更完整、更顺手”。

Context Mode 和 Claude Context 只是这股趋势的一个开端。

接下来很可能还会有更多工具冒出来，一一攻克其他长期存在的痛点：

代码审查

测试生成

文档和代码的自动同步……

这才是 AI 编程真正走向成熟的模样：

生态的逐渐完善，就是下一阶段角力的关键所在。

Image

项目地址：

Context Mode: https://github.com/mksglu/context-mode
Claude Context: https://github.com/zilliztech/claude-context

图片

图片