AI 编程最烧钱的是工具输出,这个 MCP 管家把它们全拦在沙盒

如果你用 Claude Code、Codex 或者 Cursor 干过稍大的活，对下面这个场景不会陌生：让 AI 抓个网页看看结构，它调一次 Playwright，快照原文 56KB 直接进对话；让它翻 20 个 GitHub issue，又是 59KB。半小时下来，上下文窗口四成的空间被工具的原始输出占掉了。然后触发压缩（compaction），压缩完 AI 忘了自己刚改到哪个文件、任务做到哪一步，你只能从头再讲一遍。

这是 AI 编程工具目前最实际的一笔隐形成本：你付的 token 账单里，很大一部分不是花在「思考」上，是花在搬运原始数据上。

context-mode（github.com/mksglu/context-mode，GitHub 搜索同名即可找到）是一个专门堵这个漏洞的 MCP server。它的一句话介绍是「context 问题的另一半」——市面上多数优化在管「系统提示和工具定义有多大」，它管的是「每次工具调用吐出来的数据有多大」。我把它 9.4 万字符的 README 从头到尾翻了一遍，这篇说说它的原理、用法、数字怎么理解，以及哪些场景它帮不上忙。

先看它的核心逻辑：数据不过对话，过沙盒

传统方式下，AI 调用工具，工具的完整输出直接进入对话上下文——快照、日志、API 响应，有多少进多少。context-mode 在中间加了一层 hook 拦截：AI 调用 Playwright 或者读文件时，hook 把这次调用重定向到沙盒，原始数据在沙盒里处理完，只有一小段摘要回到对话。

具体拆开是三件事，全部在本地完成：

第一件，沙盒执行。 ctx_execute 工具支持 12 种语言跑脚本，脚本在独立子进程里运行，只有 stdout 进入对话。也就是说 AI 想分析一个 45KB 的访问日志，它写一小段脚本去数、去过滤，把结论带回来，日志原文从头到尾不进对话。

第二件，会话事件落库。 每次文件编辑、git 操作、任务创建、报错和修复，都被 hook 捕获后写进本地 SQLite。这些事件按优先级分层——文件和任务是最高级，延迟统计这种是最低级。

第三件，压缩时打快照，之后按需检索。 对话要压缩时（PreCompact hook 触发），它把会话事件整理成一份 2KB 以内的结构化快照存起来；压缩完成后新上下文里注入这份快照，AI 就知道「上个会话改了哪些文件、有哪些任务没做完、用户纠正过什么」。更细的事件数据进了 SQLite 的 FTS5 全文索引，AI 需要时用 BM25 搜索找回来，而不是把全部历史塞回上下文。

那些数字怎么看

README 里最抓眼球的数字是「98% 降幅」：整场会话 315KB 原始输出压到 5.4KB。这是官方自测口径，出自仓库里的 BENCHMARK.md，一共 21 个场景。几个有代表性的：

怎么理解这些数字：场景都是「原始输出极大、而 AI 实际需要的结论极小」的形态，这正是沙盒化收益最大的场景。如果你的工作流是让 AI 反复细读同一份小文件，节省比例不会有这么夸张。README 也给了诚实的前提：hook 路由全开的平台节省约 98%，只靠规则文件提示的平台（比如 Zed、Antigravity 这种没有 hook 机制的）只有约 60%——因为模型可能不听话，直接用原生工具把 56KB 又拉进来了。

另一个值得注意的设计：它不强制模型说话简短。README 里引用了 Moonshot AI 对 kimi-k2.5 的反馈——激进的简洁指令会损伤模型的编码和推理能力——所以它的路由块只管「数据往哪走」，不管「模型怎么说话」。这个取舍我觉得是对的。

实际用起来什么样

支持的平台列表长得有点吓人：Claude Code、Codex CLI、Gemini CLI、Cursor、VS Code / JetBrains Copilot、OpenCode、KiloCode、Qwen Code、Kimi Code、Kiro、Zed、Pi、OMP（Oh My Pi）、OpenClaw 等 17 个客户端。不同平台的接入完整度不一样，拿最常用的几个说：

Claude Code（接入最完整）：两条命令装好，走插件市场：

/plugin marketplace add mksglu/context-mode
/plugin install context-mode@context-mode

装完重启，跑 /context-mode:ctx-doctor 体检，所有检查项过掉就能用。SessionStart hook 会自动注入路由指令，不需要往项目里写任何文件。会话连续性（压缩后恢复状态）在这个平台是全量支持的：PreToolUse、PostToolUse、UserPromptSubmit、PreCompact、SessionStart、Stop 六个 hook 全接。

装好后你不用改任何习惯，正常让 AI 干活就行。想看效果，在对话里敲一句 ctx stats：

ctx stats
→ 本会话节省：原始输出 87.3 KB → 进入上下文 4.1 KB
→ 调用明细：ctx_execute ×12、ctx_search ×5、ctx_fetch_and_index ×2

Gemini CLI / VS Code Copilot / JetBrains Copilot：全局装一个包，往各自的配置文件里抄一段 hooks 配置，覆盖度「高」——文件编辑、git、任务、错误都追踪，但用户的口头纠正（「别用 X，用 Y」）抓不到，因为这几个平台缺 UserPromptSubmit 这类 hook。

Cursor：覆盖度「部分」。preToolUse/postToolUse 能用，但 sessionStart 目前被 Cursor 的校验器拒绝（官方论坛有报告），所以压缩后恢复状态这个功能在 Cursor 上还没有。

Zed / Antigravity：只有 MCP，没有 hook。省 60% 左右，且没有会话追踪。README 对此写得很直白。

一句话总结兼容性：Claude Code 和 OpenCode/KiloCode 是完整体验，其余平台按各自 hook 能力打折。README 里那张 17 平台 × 8 hook 的兼容矩阵是我见过开源项目里写得最老实的，每个格子都注明了为什么缺。

「让 AI 写脚本算结果」这个范式

比省 token 更有意思的是它强推的一个工作范式：LLM 应该「编程做分析」，而不是「亲自读数据算结果」。

README 的例子很直观：想知道项目里 47 个 TypeScript 文件各有多少行，传统做法是 AI 调 47 次 Read，把 700KB 文件内容拉进上下文再逐个数；context-mode 的做法是 AI 写一个脚本，脚本去遍历、数行数，最后只把 47 行结论打出来，3.6KB 进对话。一次脚本调用替代十次工具调用，这是官方说的「100x 节省」的来源。

这个范式不是 context-mode 发明的，但它做了一件别人没做的事：用 hook 强制执行。模型想偷懒直接 Bash cat 一个大文件时，PreToolUse hook 会拦截并引导它改走沙盒。光靠提示词「请你尽量写脚本」的遵从率是六成，加了 hook 是九成八——这个对比数据也是 README 自己给的。

什么情况下它帮不了你

几条实话：

小任务用不上。 十几轮就结束的对话，上下文根本不会膨胀，装它纯属增加复杂度。它收益明显的场景是长会话：大范围重构、跨多文件的调研、需要反复抓网页看文档的活。

非 hook 平台体验打折。 前面说了，Zed 这类平台只有六成节省，而且没有压缩恢复。如果你的主力工具恰好是这类，期望值要调低。

它是本地工具，不是云服务。 数据全部留在你机器上（这其实是优点），但也意味着没有团队报表这类东西——有个 hosted 的 Insight 面板，但那是对团队分析场景的补充，不是核心。

许可不是标准开源。 它用的是 ELv2（Elastic License 2.0），源码公开、可以自由使用，但不允许把它作为托管服务转售。个人和团队内部使用完全没问题，想二开商业化的团队要留意这条。

项目还很年轻。 2026 年 2 月建仓，issue 区有 295 个开放 issue——对一个日增上百星的项目来说正常，但也说明边界情况还不少。它上了 Hacker News 首位（570+ 分），热度带来的 bug 报告还在消化中。

和 mcp2cli 那类「砍工具定义」的项目是什么关系

五月份我写过 mcp2cli，那个项目的思路是把 MCP 工具的定义从上下文里挪出去、按需查询，省的是「工具清单」那一侧的 token。context-mode 管的是另一头——工具执行结果的输出侧。两个不冲突，一个管入口一个管出口，理论上可以同时装。如果你的痛点是「装了太多 MCP server 每轮都带着几十个工具定义」，看 mcp2cli 那篇；如果痛点是「AI 调工具一调一个大输出，会话半小时就满」，用这个。

写在最后

context-mode 解决的问题每个 AI 编程用户都遇到过，只是多数人把它当成了「模型不行」或者「工具太吵」，没意识到这是可以工程化拦截的。它把「工具输出不进上下文」这件事做成了跨 17 个平台的基础设施，光是这个覆盖面就值得点个收藏。

建议的尝鲜路径：如果你日常用 Claude Code，五分钟装上，跑一个平时要半小时的长任务，结束前敲 ctx stats 看一眼节省量，再故意把对话压到触发压缩，看它能不能把「改到哪了」找回来——这两个体感比任何基准数字都有说服力。

项目地址：github.com/mksglu/context-mode（GitHub 搜索 context-mode 即可找到，npm 包同名）

有什么想法可以随时留言沟通。

喜欢就先收藏，万一找不到了呢！⭐