logo
36

Claude Code 技术原理：上下文与记忆管理

⏱️ 45分钟

Claude Code Context Management

本章解释 Claude Code 如何在长任务里管理 Context，并把这些做法转成可复用的工程模式。目标是让你在构建 agent 或调试长任务时，能够稳定控制 Context 的结构、成本与信号密度。

  • Context 不是“越多越好”，而是“最小高信号集合”。
  • Claude Code 倾向于 just-in-time 读取，而不是一次性加载。
  • Compact 不是丢信息，而是重新组织信息。
  • 文件系统是低成本外部记忆。
  • tool outputs 是最大 token 成本来源，需要节流。

你将学到什么

  • Claude Code 的 Context 管理原则与操作手法
  • 如何设置 Context budget 与 compaction trigger
  • 如何用文件系统实现 progressive disclosure
  • 如何控制 tool outputs 的 token 成本

Core Model

Claude Code 的 Context 管理可以拆为三层：

  1. 固定层：长期稳定规则（如 CLAUDE.md、系统约束）
  2. 任务层：本次任务目标、验收标准、关键事实
  3. 动态层：搜索结果、工具输出、执行记录

核心原则是：固定层和任务层保持轻量稳定，动态层按需加载并随任务进度被压缩。

Key Practices

1) Context Budgeting

  • 先设定预算，再开始任务
  • 把任务拆为小阶段，每阶段限定 token 成本
  • 当 Context 超过阈值（如 70-80%）触发 compact

2) Progressive Disclosure

不要一次性加载大段内容。先拿到 file path 或标题，再按需读取。

  • 用 rg 找相关文件
  • 用 head/tail 或分段读取
  • 只保留当前决策需要的信息

3) Tool Output Throttling

大多数 Context 成本来自工具输出。控制策略包括：

  • 对输出做摘要而非全文
  • 分页/筛选/截断
  • 输出优先结构化（表格/JSON/列表）

4) Compaction Strategy

Compaction 的目标是“保留关键信息 + 移除冗余”。建议结构：

  • Files touched
  • Decisions made
  • Open questions
  • Next actions

Example Workflow

  1. 加载规则：CLAUDE.md + AGENTS.md
  2. 定位目标文件：rg --files -g "*.md" src/content/learn/ai-engineer
  3. 只读必要内容：先查看同类文件结构
  4. 生成内容并写入
  5. 回看 Context：是否有冗余输出

Anti-Patterns

  • 一次性加载整个文档库
  • 用超长 tool output 覆盖 Context
  • 长任务不 compact，累积到不可控
  • 重复读取相同内容却不总结

Checklist

  • 是否明确 Context budget？
  • 是否有 progressive disclosure？
  • 是否限制 tool outputs？
  • 是否设置 compaction trigger？
  • 是否把规则集中到 CLAUDE.md/AGENTS.md？

Practice Task

  • 用本章的三层模型梳理一个真实项目的 Context
  • 设定 80% 触发 compact 的阈值，并设计 summary 模板
  • 选一个 tool 输出场景，做一次分页或摘要改造

Skill Metadata

Created: 2025-12-26 Last Updated: 2025-12-26 Author: JR Academy Version: 1.0.0

📚 相关资源

❓ 常见问题

关于本章主题最常被搜索的问题，点击展开答案

Claude Code 的 context 三层模型是哪三层？

(1) 固定层 — CLAUDE.md、长期系统约束，每次推理都加载；(2) 任务层 — 本次任务目标、验收标准、关键事实；(3) 动态层 — 搜索结果、工具输出、执行记录。前两层保持轻量稳定，动态层按需加载并随进度被压缩。乱了的根源 90% 是把动态层的东西塞进固定层。

为什么说 tool outputs 是最大的 token 成本来源？

一次 rg 全文搜索、cat 大文件、API 列表查询，单次返回轻松 5K-20K token，比对话本身 token 多几倍。控制策略三件套：摘要而非全文、分页/筛选/截断、结构化输出（表格/JSON）。Claude Code 默认对 tool response 设 25,000 token 上限，就是为了不让动态层吞掉整个 context。

Compact 触发阈值设多少合适？

70-80% 触发偏保守，留缓冲处理 compaction 本身的 token；90-95% 触发偏激进，模型可能已经开始失焦。本章建议 70-80% 起步，配合结构化 summary 模板（Files touched / Decisions made / Open questions / Next actions），保留信息密度同时回收 token。Claude Code 自身用的是 95% auto-compact。

Progressive disclosure 在 Claude Code 里具体怎么做？

三步：rg --files 找文件路径、head/tail 或 offset/limit 读片段、只把当前决策必需的内容留在 context。原则是「先拿引用、再读片段」，对应文件系统当低成本外部记忆 — 路径只占几十字符，原文上千行只在用得着时拉。反模式是开场就把整个 docs/ 全 cat 进来。

怎么判断我的 context 管理 anti-pattern 了？

本章四条红线：(1) 一次性加载整个文档库；(2) 用超长 tool output 覆盖 context；(3) 长任务不 compact，累积到不可控；(4) 重复读取同一文件却不总结。出现任何一条就回到 checklist：是否设了 budget？是否有 progressive disclosure？是否限制 tool outputs？是否设了 compaction trigger？