CLI Agent Context 管理深度对比：Claude Code vs Gemini CLI vs Copilot Agent

核心问题：为什么 Context 管理才是真瓶颈

Test paragraph

2026年 Q1，三大主流 CLI Agent 在功能层面已经高度趋同：都是 ReAct loop + tool use + sandbox 隔离。但用户体验差异巨大。差异的根源不在模型，而在 context management。

一个典型的 10 万行 Java 项目，完整代码量约 500 万 token。即使是最长 context window 的模型也不可能全部塞进去。每个 Agent 都必须回答：给模型看什么、不看什么、按什么顺序看。

三巨头 Context 管理策略详解

Claude Code：Long Context + File Scanning

• 策略：Glob/Grep 扫描项目结构，read 读取指定文件，靠 200K 长上下文窗口硬吃
• 优势：不依赖外部索引，开箱即用；CLAUDE.md 支持用户显式注入项目上下文
• 劣势：每轮对话重新扫描，token 消耗高；大型 monorepo 场景下容易超出 context 预算
• 创新点：Extended Thinking + TodoWrite 让模型自己管理「需要看什么」

Gemini CLI：MCP 原生 + 搜索优先

• 策略：MCP server 按需拉取代码，Google Search 作为 context 补充
• 优势：context 来源多样化（文件+数据库+API文档+自定义工具），不是只有代码
• 劣势：MCP 延迟不稳定，远程调用增加 200-500ms 延迟
• 创新点：1M context window 降低了精确检索的需求，粗暴塞入反而效果不错

Copilot Agent：IDE 深度集成

• 策略：嵌在 VS Code 内部，直接访问 LSP 获取 AST、类型信息、引用关系
• 优势：symbol-level 精度——只给相关函数签名+类型定义+调用链
• 劣势：绑定 VS Code 生态，离开 IDE 能力大幅下降
• 创新点：@workspace 预构建向量索引，不是实时扫描，响应最快

Context 管理的三个层次

层次一：Brute Force（暴力塞入）

Claude Code 的做法——把整个文件读进去，靠模型自己理解。简单有效，token 成本高。适用中小项目 (<50K 行)。

层次二：Smart Retrieval（智能检索）

Copilot @workspace 的做法——预构建向量索引，RAG 式检索。Token 效率高，适用大型 monorepo。

层次三：Structured Understanding（结构化理解）

Copilot LSP + AST——不给代码原文，给类型签名+引用关系图。Token 最省，最接近「工程基础设施 > 模型本身」。

下一步是什么？

1. Codebase-aware models：模型训练时就包含代码库结构知识，不再需要工程化的 context injection
2. Hierarchical context：先给项目概览，再给文件级摘要，最后给具体代码。类似人类理解新代码库的方式
3. Persistent memory across sessions：跨会话的项目理解积累，CLAUDE.md 和 .cursorrules 是早期尝试

终极问题：context engineering 会不会像 compiler optimization 一样，变成一个独立的工程学科？答案越来越像是 yes。

终极问题：context engineering 会不会像 compiler optimization 一样，变成一个独立的工程学科？答案越来越像是 yes。

逍遥云初 | 2026.04.09