开发者在使用 AI Code Agent（如 Claude Code）时，常受限于上下文长度限制，且 Agent 容易重复犯错。目前常见的临时方案是在项目根目录维护 AGENTS.md 等规则文件，但随着项目扩大，这种“打补丁”方式暴露出两大痛点：一是模型注意力涣散，即使文件中写明规则也常被忽略；二是上下文窗口有限，无法全量载入知识库，且 Agent 难以自主判断何时检索外部知识。针对这一痛点，行业探索方向主要包括：1. 引入类似 Claude Code 或 Hermes 的动态记忆系统（Memory System）；2. 结合 RAG（检索增强生成）技术，通过向量数据库按需检索历史报错与规范；3. 利用 MCP（Model Context Protocol）等协议构建标准化的知识检索工具。解决该问题对提升 Agent 在复杂工程中的可用性、减少重复性 Debug 具有重要技术价值。
本讨论聚焦于开发者在使用 Anthropic 官方命令行 AI 编码工具 Claude Code 时遇到的上下文管理痛点。部分中国开发者尝试通过 API 兼容方案，将 Claude Code 的底层模型替换为国内大模型（如智谱 GLM），以降低使用成本。然而，在实际体验中，用户发现该工具在配合第三方模型时，无法像原生 Claude 3.5 Sonnet 那样高效利用 Prompt Caching（提示词缓存）或进行自动上下文压缩。这导致在长会话编码任务中，Token 消耗极快，且容易超出上下文窗口限制。此外，由于担心版本升级导致第三方接口兼容性失效，开发者往往不敢轻易更新工具。这一现象反映出，在 AI Coding 工具链中，如何针对非原生大模型优化上下文剪裁与缓存机制，是当前开发者本地化适配和降本增效面临的关键技术挑战。
在利用AI Coding工具（如Codex/Agent）进行大型项目开发时，常因上下文过多触发压缩，导致提示词丢失或任务中断。本文分享了开发者在实践中总结的两个核心应对策略： 1. **启用Goal（目标）模式**：通过Goal模式锁定开发方向，降低核心目标被遗忘的概率。开发者可以在Goal中规划整体工作流，引导AI有序前进。 2. **Goal与Markdown文档联动**：由于Goal存在字符限制且不宜包含过多细节，可将具体的步骤提示词写入外部Markdown文件中。在Goal中仅规定工作流，并指示AI在特定步骤读取对应的Markdown文件。这种“按需读取”的方式既避免了字符超限，又确保了每一步提示词的完整性，有效防止上下文污染。 这些方法为开发者在使用AI进行复杂编程任务时提供了实用的上下文管理思路，显著提升了AI Agent在长流程任务中的执行稳定性。
针对 AI 编程工具在大型项目中因检索和日志导致上下文污染、Token 成本飙升的痛点，本文探讨了引入 Subagent（子代理）机制的解决方案。该方案参考了 Antigravity 2.0 的设计，通过 `define_subagent` 和 `invoke_subagent` 流程实现任务降噪。其核心在于：首先，限制子代理的工具使用范围，避免无关工具产生冗余信息；其次，为子代理分配隔离的分支，从而实现多线程并行的代码库检索。这种机制不仅能有效防止上下文（Context）膨胀与溢出，还大幅降低了 Token 消耗，为 AI Agent 开发者提供了一种优雅且实用的工程化降噪新思路。