上下文策略（Context Strategies）

概述

上下文策略是一组针对 LLM Agent 上下文窗口管理的系统化方法，将上下文视为需要 malloc/free 的内存资源，通过固定栈分配、子 Agent 卸载、观察遮蔽、规范文件外置、预算管理和干净状态协议六大策略，避免 Agent 进入性能退化的 Dumb Zone。

关键内容

1. 核心隐喻：上下文的 malloc/free 问题：每次工具调用（read_file、run_tests 等）都向上下文追加内容（malloc），但没有对应的释放操作（free）。一个典型的工具调用链会迅速消耗上下文：系统提示 ~5k tokens + 多次文件读取各 ~1.5-2k tokens + 多次测试输出各 ~3k tokens → 上下文快速达到 65% 以上，进入 Dumb Zone。Ralph Loop 的根本解法是在进入 Dumb Zone 之前主动退出，让外循环重启新实例。

2. 六大策略体系：

3. 固定栈分配：每次迭代以完全相同的方式分配上下文栈，确保关键约束始终位于注意力最高的开头和结尾位置，避免"lost in the middle"问题
4. 子 Agent 卸载：将消耗大量 tokens 但只需结论的操作（测试套件 ~50k → ~100 tokens、编译 ~20k → ~50 tokens）卸载给子 Agent，主 Agent 保持精简
5. 观察遮蔽：当上下文接近限制时，保留最近 N 轮对话，将旧消息替换为摘要占位符；Ralph 的立场是不适合"每 Story 一迭代"模式，但子任务间可用
6. 规范文件 vs 上下文内容：任何需要跨会话持久化的信息必须在文件里（AGENTS.md、progress.txt），不能只在上下文里
7. 上下文预算管理：在编写 CLAUDE.md 时估算各部分 token 消耗，确保总量在安全范围内（理想情况下 ≤52.5% 的 200k 窗口）

8. Clean State Protocol：每次迭代结束前验证 git 状态、构建、测试、prd.json 语法、progress.txt 更新，确保不把破损状态传递给下一个 Agent

9. 不同模型的上下文策略差异：Claude 3.5 Sonnet/Opus（200k tokens）每迭代目标完成 1 Story，Dumb Zone 估计 >120k tokens；GPT-4o（128k tokens）Dumb Zone >80k tokens；Gemini 1.5 Pro（1M tokens）可完成 2-3 Stories，但 Ralph 仍推荐每迭代 1 Story 以保持小粒度的清晰 git commit 和低失败恢复成本。

10. Lost in the Middle 问题的工程应对：LLM 对上下文开头和结尾的注意力高于中间部分。上下文策略要求把最重要的约束（系统提示、项目约定、核心约束）放在最前面，文件引用放在最后，避免将重要信息埋在中间。

来源

• raw/articles/ai-tools/ralph-loop/context-strategies.md — Context Strategies 完整文档（六大策略、模型对比、预算估算）

相关

• Context-Engineering — implements（上下文策略是上下文工程在 Coding Agent 场景的具体实现）
• 上下文窗口 — part_of（上下文策略围绕上下文窗口的有限性设计）
• 上下文腐烂 — relates_to（上下文策略旨在延缓和避免上下文腐烂）
• Ralph Loop — implemented_by（Ralph Loop 是上下文策略的完整实现系统）
• Dumb Zone — relates_to（上下文策略的核心目标是避免进入 Dumb Zone）
• Session 交接机制 — relates_to（规范文件外置策略与三文件交接机制深度关联）