context-mode：给 AI 编码助手做上下文窗口的"垃圾回收"

你的 AI 编码助手跑了 200 轮对话后开始变蠢、变慢、token 账单飙升——context-mode 说这不是模型的问题，是上下文管理的问题。这个 28.6k star 的开源项目做了一件很具体的事：把 AI 编码 agent 的工具输出沙箱化（压缩 98%）、持久化会话记忆、跨 17 个平台强制执行路由策略。它不替代 Claude Code 或 Codex，而是插在它们和工具输出之间的"中间件"。

上下文窗口为什么是 AI 编码的核心瓶颈

AI 编码 agent 的工作模式是：读代码 → 调工具（grep、run test、read file）→ 看输出 → 决定下一步 → 再调工具。每一轮工具输出都会塞进上下文窗口。一个中等复杂度的 debug 会话，20-30 轮之后上下文就装满了测试日志、文件内容、错误信息。模型不是"变笨了"，而是上下文里 80% 的 token 是已经用过的工具输出噪音，真正有用的信息被稀释了。

context-mode 的核心机制是"沙箱化工具输出"：当 agent 调用一个工具时，完整输出被写入本地存储（`~/.claude/context-mode/content`），上下文窗口里只放一个摘要和引用 ID。模型需要完整内容时，可以通过 `ctx_execute` 按需取回。项目声称这个机制把上下文中的工具输出 token 减少了 98%。200 轮对话后，上下文里不再是 50 页测试日志，而是 50 行"第 17 轮：grep 结果，3 个匹配，已存 [ref-017]"。

17 个平台：不是插件，是"路由层"

从仓库目录能看到 context-mode 的插件覆盖范围：`.claude-plugin/`、`.codex-plugin/`、`.cursor-plugin/`、`.openclaw-plugin/`、`.pi/extensions/context-mode/`，加上 MCP server 和 hooks 系统。它支持 Claude Code、Codex CLI、Cursor、Copilot、Kiro、Zed、OpenClaw、Antigravity 等 17 个平台。这意味着无论你用哪个 AI 编码工具，context-mode 都可以以 MCP server 或 hook 的形式接入，提供统一的上下文管理。

项目名里的"routing"不是网络路由，而是"上下文路由"：context-mode 通过 PreToolUse hook 在每次工具调用前注入指导（"把大的外部 MCP 负载包在 `ctx_execute` 里"），这个指导默认每 10 次匹配调用重新注入一次（`CONTEXT_MODE_EXTERNAL_MCP_NUDGE_EVERY=10`）。为什么需要反复注入？因为在 MCP 密集的会话里（比如 50+ 次 Jira/Slack/Notion 调用），上下文压缩后早期注入的指导会丢失，模型就"忘了"该用 `ctx_execute` 包裹大输出。

ELv2 许可：开源但不是"真开源"

context-mode 用的是 Elastic License 2.0，不是 MIT 或 Apache。这意味着你可以自由使用、fork、修改和分发，但有两条限制：不能把它作为托管/管理服务出售，不能移除许可声明。项目 README 里明确解释了选择 ELv2 的原因："MIT 允许别人把代码重新打包成竞品 SaaS，ELv2 阻止了这一点，同时保持源码对所有人可用。"

这个许可选择反映了 2025-2026 年开源生态的一个趋势：核心工具用宽松协议（MIT），但"基础设施层"项目（context-mode 是 AI 编码生态的基础设施）开始用"source-available"协议保护商业价值。对普通用户没有影响——你下载、安装、使用完全自由。但如果你打算基于 context-mode 做一个 SaaS 产品，法律边界和 MIT 项目不同。

对日常使用 AI 编码助手的开发者来说，context-mode 解决的是一个真实痛点：长会话的上下文膨胀。如果你经常让 Claude Code 跑 50+ 轮的 debug 或重构，装一个 context-mode 的成本是几分钟配置，收益是 token 消耗和模型"注意力"的显著改善。它的 `BENCHMARK.md` 文件里有具体的压缩数据，值得跑一下自己的工作负载看看实际效果。

核心观点：context-mode 不解决"模型不够聪明"的问题，它解决的是"模型很聪明但上下文被垃圾淹没了"的问题。如果你每天用 AI 编码助手超过 30 分钟，大概率会受益于它的工具输出沙箱化。安装前跑一下 `ctx_doctor` 检查环境，然后对比一下开/关前后的 token 消耗——数据会告诉你值不值得。