Контекст AI-агента заканчивают не длинные диалоги, а сырой вывод инструментов: каждый вызов MCP сваливает в окно килобайты служебных данных. Рабочее решение — держать вывод в песочнице, агенту отдавать только выжимку, а память сессии хранить отдельно от истории чата. Так устроен mksglu/context-mode — прослойка над MCP с открытыми исходниками (лицензия ELv2), которая заявляет сокращение объёма вывода инструментов на 98%.
Почему контекст заканчивается за полчаса
Причина не в модели, а в том, что инструмент отдаёт данные целиком. Один снимок Playwright стоит 56 КБ, двадцать issue из GitHub — 59 КБ, один лог доступа — 45 КБ. Через 30 минут работы около 40% контекста уже нет, и дальше агент либо упирается в лимит, либо запускает компактификацию.
Компактификация проблему не решает. Когда агент сжимает разговор, чтобы освободить место, он теряет, какие файлы редактировал, какие задачи в работе и что вы просили последним. Получается замкнутый круг: чистим контекст → теряем состояние → просим агента вспомнить → он заново вычитывает те же данные. Механику этого процесса разбирали в материале про контекстное окно.
Что делает context-mode
Это три функции поверх MCP: песочница для вывода инструментов, постоянная память сессии и маршрутизация запросов. Песочница перехватывает результат вызова, обрабатывает его вне контекста модели и возвращает агенту сжатый результат — отсюда и заявленные 98% сокращения.
Память сессии живёт отдельно от истории чата: список правок, активные задачи, последний запрос. Она переживает компактификацию, то есть агент не начинает каждый новый заход с нуля. Маршрутизация работает через MCP и hooks и заявлена для 17 платформ.
Отличие от обычного MCP-сервера простое: стандартный сервер отдаёт модели ровно то, что вернул инструмент, и всё. Здесь между инструментом и моделью появляется слой обработки. Репозиторий вышел в топ Hacker News (570+ пойнтов) и собрал больше 30 000 звёзд — спрос на такое решение явно не теоретический.
Как начать: шаги
Подключение идёт через конфиг MCP и hooks, отдельный сервис поднимать не нужно. Порядок такой:
- Проверить, что ваш агент поддерживает MCP — подойдут Cursor, Claude Code, Codex и другие клиенты из списка платформ.
- Добавить context-mode в конфиг MCP-клиента по инструкции из репозитория.
- Включить hooks, чтобы вывод инструментов уходил в песочницу до попадания в контекст.
- Прогнать типовую задачу — снимок страницы через Playwright или чтение двадцати issue — и сравнить расход с прежним.
- Проверить память: перезапустить сессию и спросить агента, какие файлы он правил и какая задача была в работе.
Что может пойти не так: hooks ставятся на конкретные инструменты, и без этого песочница вызов не поймает. При переключении между платформами конфиг переносится вручную. Если MCP для вас пока тёмная тема, начните с объяснения MCP простыми словами.
Навыки и бенчмарки: контекст решает не только вывод инструментов
Вторая причина разрастания контекста — сами возможности агента. K-Dense-AI/scientific-agent-skills — библиотека из 177 готовых навыков и 100+ научных баз данных по биологии, химии, медицине и drug discovery; по данным репозитория, ей пользуются 250 000+ учёных. Проект совместим с Cursor, Claude Code, Codex и открытым стандартом Agent Skills — раньше он работал только с Claude.
177 навыков — это не «загрузить всё сразу», а ровно тот случай, когда нужно подгружать инструмент под задачу. В репозитории есть и отдельный открытый ассистент K-Dense BYOK, работающий на этих навыках с вашим собственным API-ключом.
Вывод общий для обоих репозиториев: контекст экономят не «умные промпты», а разделение ролей — данные обрабатываются вне окна модели, а внутрь попадает только результат. Тот же принцип работает и в обратную сторону: не подключать инструменты «на всякий случай», а подгружать их под конкретную задачу.
Частые вопросы
Сколько контекста реально экономит context-mode? В репозитории заявлено сокращение вывода инструментов на 98%. Фактическая экономия зависит от набора инструментов: чем больше сырых снимков, логов и списков вы тянете, тем заметнее эффект.
Заработает ли это в моём агенте? Заявлена поддержка 17 платформ через MCP и hooks, включая Cursor, Claude Code, Codex, Pi и Antigravity. Если клиент умеет MCP, интеграция сводится к правке конфига и включению hooks.
Нужны ли scientific-agent-skills, если я не биолог? Навыки заточены под биологию, химию, медицину и drug discovery — вне этих задач польза ограничена. Но сама механика, когда инструмент подгружается под конкретную задачу, а не висит в контексте постоянно, переносится на любую предметную область.
Больше разборов по ИИ и автоматизации — в канале: @il_chum