Context Engine — 上下文引擎

汇聚所有上下文优化策略：输出压缩、文件读取优化、策略压缩、预算管理。一站式省 token。

一、输出压缩（简洁模式）

当用户说"简洁"/"少说点"/"别啰嗦"时启用：

• 无填充词（跳过"好的""我来帮你""让我看看"）
• 无事中播报（跳过"首先我..."、"现在我在..."，直接干，汇报结果）
• 不重复已说内容
• 一点一段落
• 代码优先于文字描述
• 列表优先于段落
• 中文天然省 token，异步用中文

三级压缩：lite（30%节省）、full（60%节省）、ultra（关键词仅已知上下文）

二、文件读取优化（Shadow VFS）

原生 read_file 每次都把文件全量注入上下文——同一文件读 3 次浪费 3 倍 token，破坏 prompt cache。

Shadow VFS 解决：

• read_file → 只返回指针（路径 + hash + 行数 + token 估算 + 前 5 行预览）
• materialise → 需要分析代码时才加载完整内容
• invalidate → 文件修改后标记缓存失效

只在实际需要分析代码内容时才物化。确认文件存在/知道大致内容就够了。

脚本路径：D:/Hermes/scripts/shadow_vfs.py

压缩后恢复（LCM 模式）

借鉴 hermes-lcm (873⭐) 的 DAG 无损理念：压缩 ≠ 删除。

• 压缩后如果后续任务需要之前讨论的细节 → session_search(query="关键词") 找回
• 关键决策、架构定论、用户偏好 → 压缩前先存 memory（不受压缩影响）
• 长任务开始前预判："如果等会儿被压缩，哪些信息是后面必须用的？" → 提前存 memory

压缩后丢失 → 找回映射

三、策略压缩

在逻辑边界手动压缩，而非依赖随机自动压缩。

压缩时机

压缩后保留

CLAUDE.md 指令、TodoWrite 任务列表、Memory 文件、Git 状态、磁盘文件。

压缩后丢失

中间推理分析、详细文件内容、对话上下文、工具调用历史。

四、Token 预算审计

当需要了解上下文消耗时，审计以下组件：

• Skills：每个 1-5K token，按需加载，不用全载
• MCP 工具：每个工具 schema ~500 token，30 工具服务器 > 所有 skills 总和
• Agent 描述：即使 Agent 未被调用，其描述也在上下文中
• CLAUDE.md：保持精简，不要重复 rules 内容

估算公式

• 散文：字数 × 1.3
• 代码/混合：字符数 / 4

五、上下文健康速查

• < 70% — 正常操作，全精度
• 70-85% — 精度开始下降，考虑压缩

• 85% — 幻觉风险飙升，立即压缩或清空

六、组合策略

日常使用：简洁模式 + Shadow VFS = 输出省 60% + 文件读省 87% 长会话：策略压缩在逻辑边界 + 预算审计每隔 5-10 轮 用户交互：直接选深度 25%/50%/75%/100%，不等提问

七、Claude 5 上下文工程新范式（v3.0 新增）

基于 HN 244pts/155 评论讨论 + Anthropic 官方博文，Claude 5 彻底改变了上下文工程的游戏规则。

核心转变

旧范式（Claude 4 / GPT-5 之前）      新范式（Claude 5 / Fable 5）
─────────────────────────────────    ─────────────────────────
详尽系统提示，覆盖每个边界情况    →   原则式指令，信任模型判断
500 行 CLAUDE.md 全量注入         →   精简到 50 行核心原则
自动记忆（模型自己管理）          →   手动记忆（Agent 不要管记忆）
指令优先（"你必须..."）            →   判断优先（"根据情况判断"）
前缀工程（crafting prompts）       →   对话工程（just talk to it）

五条新规则

对 Skills 的影响

旧方式（v2.0 风格）：

## 规则
1. 每次必须先检查 A
2. 如果 A 返回 X，则执行 B
3. B 失败时回退到 C
4. C 超时 30 秒后重试 3 次
...（200 行规则）

新方式（v3.0 风格）：

## 原则
- 优先走可靠路径，失败时自主降级
- 不确定时问用户，不要猜测
- 保持输出简洁，代码优先于文字

对 Memory 的影响

用户反馈：禁用 auto-memory 后性能反而提升。原因：

• Agent 写的 memory 太多太杂，噪声淹没信号
• Agent 不会删 memory，越积越多
• Agent 从 memory 做推断经常出错（"它记得 A 和 B，就推断 C 也是真的"）

新策略：Memory 只由人工触发。Agent 可以在发现重要信息时建议存 memory，但不自动存储。

实践检查清单

在写 skill 或 system prompt 时自问：

• 这条规则能不能改成原则？（"你必须 X" → "倾向于 X"）
• 这个边界情况模型自己能判断吗？（如果能，删掉规则）
• 这段内容 100 字能说清吗？（不能 → 精简）
• 是不是在替模型做它自己能做的决策？（是 → 删掉）