大家好，我是讯享网，很高兴认识大家。这里提供最前沿的Ai技术和互联网信息。



 
一、前言
 

上一节课我们设计了Agent Loop的骨架，而上下文（Context）就是Agent的“短期记忆”——它包含了用户输入、历史对话、工具执行结果、系统提示等所有信息，是LLM推理的基础。

但实际开发中，我们会遇到三个致命问题：

1. 上下文过长：超过LLM的Token上限，导致模型报错；

2. 关键信息遗忘：上下文过长时，Agent会忘记早期的用户指令或工具结果；

3. 效率低下：上下文越长，LLM推理速度越慢、成本越高。

本节课我们拆解上下文的组成、核心痛点，以及基础的Token控制策略，为下一节课的“三层压缩”打下基础。

二、上下文的核心组成（Claude Code实战解析）

在Claude Code中，上下文由com.claudecode.context.ContextManager管理，其核心组成分为4部分，按优先级排序（越靠前越重要，不会被轻易压缩）：

1. 系统提示词（System Prompt）

作用：定义Agent的角色、能力、规则，是LLM推理的“指导方针”。

示例（Claude Code中的系统提示词片段）：

 你是一个CLI AI编码助手，具备以下能力： 1. 能调用文件操作、Shell、网络搜索等工具，自主完成编码相关任务； 2. 严格遵循用户提供的编码规范，所有代码必须有中文注释； 3. 执行危险操作（如删除文件、执行rm命令）前，必须先获取用户确认； 4. 工具执行失败后，需尝试重试，若多次失败则提示用户。 

特点：固定不变，优先级最高，不会被压缩或删除。

2. 用户核心指令（User Goal）

作用：用户的最终目标，是Agent循环的核心驱动力。

示例：“帮我在我的Spring Boot项目中，添加一个字符串反转工具类，并编写单元测试，确保符合阿里巴巴Java开发手册”。

特点：贯穿整个循环，优先级仅次于系统提示词，压缩时会优先保留。

3. 工具执行结果（Tool Results）

作用：Agent执行工具后得到的反馈，是后续推理的重要依据。

示例：“读取文件project.txt成功，文件内容：这是一个Spring Boot项目，使用MyBatis做数据持久化”。

特点：数量多、体积大，是上下文膨胀的主要原因，也是压缩的重点对象。

4. 历史对话（History）

作用：用户与Agent的历史交互记录，用于保持对话连贯性。

示例：用户：“帮我检查代码漏洞”；Agent：“已调用安全审查工具，正在分析代码...”。

特点：部分历史对话可被摘要压缩，优先级最低。

三、上下文管理的三大痛点及解决方案

痛点1：上下文过长，超过Token上限

原因：工具执行结果过多（比如多次读取大文件、执行Shell命令返回大量输出）、历史对话积累。

基础解决方案：

1. 截断历史：只保留最近N轮对话和最近M个工具结果（比如最近5轮对话、最近3个工具结果）；

2. 长度限制：给上下文设置固定长度上限，超过则触发压缩。

痛点2：关键信息遗忘

原因：截断或压缩时，误删用户核心指令、关键工具结果。

基础解决方案：

1. 优先级排序：系统提示词、用户核心指令永不删除；

2. 关键信息标记：将用户指令中的核心目标、工具结果中的关键数据标记为“不可压缩”。

痛点3：效率低下，推理速度慢、成本高

原因：上下文过长，LLM需要处理大量冗余信息，推理时间和Token消耗增加。

基础解决方案：

1. 实时精简：工具执行结果只保留核心信息（比如读取文件时，只保留与任务相关的片段）；

2. 按需加载：不一次性加载所有历史，只加载与当前任务相关的上下文。

四、Claude Code中的Token控制实现（源码解析）

Claude Code使用com.claudecode.core.TokenTracker类，实现Token的实时监控和控制，核心逻辑如下：

1. Token计算方式

TokenTracker通过调用LLM的Token计算接口（如OpenAI的tiktoken、Anthropic的tokenizer），实时计算上下文的Token数量：

 public class TokenTracker { // Token上限（可配置，默认） private final int maxTokens; // 当前Token数量 private int currentTokens; // Token计算工具 private final Tokenizer tokenizer; // 计算上下文Token数量 public void updateTokenCount(String context) { this.currentTokens = tokenizer.countTokens(context); } // 检查是否超过阈值（默认93%） public boolean isOverThreshold() { double threshold = maxTokens * 0.93; return currentTokens > threshold; } // 剩余Token数量 public int getRemainingTokens() { return maxTokens - currentTokens; } } 

2. Token控制策略

Claude Code的Token控制分为“预防”和“处理”两步：

1. 预防：在构建上下文时，实时计算Token数量，若接近阈值（80%），提前精简上下文；

2. 处理：若超过阈值（93%），触发上下文压缩（下一节课详解）。

五、实操练习：实现简单的上下文管理与Token控制

结合本节课所学，实现一个简单的上下文管理器，包含上下文构建、Token计算、截断逻辑。

 import java.util.ArrayList; import java.util.List; public class SimpleContextManager // 添加工具结果 public void addToolResult(String toolResult) } // 添加历史对话 public void addHistory(String message) } // 构建上下文 public String buildContext() { StringBuilder context = new StringBuilder(); // 1. 系统提示词 context.append(systemPrompt).append(" "); // 2. 用户目标 context.append("用户目标：").append(userGoal).append(" "); // 3. 工具结果 context.append("工具结果：").append(" "); for (String result : toolResults) { context.append("- ").append(result).append(" "); } // 4. 历史对话 context.append("历史对话：").append(" "); for (String msg : history) { context.append("- ").append(msg).append(" "); } // Token检查与截断 int currentTokens = tokenizer.countTokens(context.toString()); if (currentTokens > MAX_TOKENS) { // 截断历史对话（优先级最低） while (history.size() > 0 && tokenizer.countTokens(context.toString()) > MAX_TOKENS) { history.remove(0); // 重新构建上下文 context = rebuildContext(); } } return context.toString(); } // 重新构建上下文（截断后） private StringBuilder rebuildContext() { // 逻辑与buildContext一致，略... return new StringBuilder(); } // 简化版Token计算（实际需对接LLM） static class Tokenizer { public int countTokens(String text) { // 简化：按空格分割，每个单词算1个Token return text.split(" ").length; } } // 测试 public static void main(String[] args) } 

六、本课重点总结

1. 上下文是Agent的“短期记忆”，核心组成是系统提示词、用户目标、工具结果、历史对话；

2. 上下文管理的核心是“控长、保关键、提效率”，避免Token超限、关键信息遗忘、推理缓慢；

3. 基础Token控制策略：截断冗余信息、优先级排序、实时监控Token数量。

下节课预告

第04课：三层上下文压缩机制（Claude Code核心亮点）——如何在不丢失关键信息的前提下，高效压缩上下文，解决Token超限问题，对应compact包下的三个压缩类源码解析。