企业官网建设流程全解析

面试官特别爱追问：

Claude Code 上下文窗口快满了怎么办？Auto-Compact 到底在压什么？为什么压完之后还能继续干活？

很多同学一听上下文窗口，就回答：“就是模型能记住多少内容。”

上下文窗口不是记忆。上下文压缩也不是简单"总结一下"。

如果你做过 Agent，就会知道：上下文管理是 Agent 能不能长时间稳定工作的核心能力。

今天这篇，我们从最基础的上下文窗口讲起，一步一步讲到 Claude Code 的 Auto-Compact，最后给你一套面试可以直接说的回答框架。

目录

1. 面试官到底想考什么？
2. 上下文窗口不是记忆，只是本轮输入空间
3. 为什么 Agent 跑起来分分钟爆窗口？
4. 上下文满了，真正的问题不是放不下，而是质量下降
5. 业界常见上下文方案，为什么单独用都不够看？
6. Claude Code 的上下文治理，不是只靠 Auto-Compact
7. Auto-Compact 什么时候触发？
8. Auto-Compact 压什么、留什么、丢什么？
9. 摘要 prompt 不是"总结一下"，而是生成任务状态快照
10. 压完之后，Claude Code 怎么接续对话？
11. 这道面试题该怎么答？
12. 面试官可能继续追问什么？
13. 普通开发者怎么用得更稳？

一、面试官到底想考什么？

面试官问 Claude Code 上下文窗口，一般不是想听你背一个概念。

他真正想看三件事：

第一，你是否理解大模型是怎么"看见"当前任务的。

第二，你是否理解 Agent 和普通聊天在上下文消耗上的差异。

第三，你是否知道工程上怎么在"不丢关键状态"和"释放 token 空间"之间做取舍。

所以这道题不能上来就说：“Claude Code 会自动 compact。”

这样答，面试官继续追一句：“compact 之后为什么不会断片？”

你就很难接了。

更好的回答顺序是：

1. 先解释上下文窗口是什么
2. 再解释 Agent 为什么比普通聊天更容易爆窗口
3. 再说常见方案为什么单独用都不够
4. 最后讲 Claude Code 是分层治理，Auto-Compact 只是最后一层

这条线讲清楚，面试官就知道你不是只会用工具，而是真的理解 Agent 工程。

二、上下文窗口不是记忆，只是本轮输入空间

先把最基础的概念讲清楚。

上下文窗口，就是模型一次推理时能看到的全部 token 空间。

注意，是"一次推理时能看到"，不是模型永久记住。

每次你给模型发消息，系统都会把一大坨内容拼成输入：

• 系统提示词
• 开发者规则
• 用户当前问题
• 历史对话
• 工具定义
• 工具调用结果
• 文件内容
• 命令输出
• CLAUDE.md、memory、skills 等额外上下文

然后模型基于这批输入生成下一步响应。

图1：上下文窗口不是记忆，而是一次推理能看到的输入空间

这里有个关键点：模型不是从脑子里掏出历史，而是每一轮都重新读一遍上下文。

你以为 Claude Code "记得"刚才读过的文件，其实是因为文件内容或者文件摘要还在上下文里。

你以为它"记得"你刚才说不要改某个文件，其实是因为这句话还在上下文里。

一旦这部分被压缩、裁剪、丢弃，模型就可能忘。

所以，真正的上下文管理不是"让模型记住更多"，而是决定哪些信息值得继续塞进下一轮输入。

三、为什么 Agent 跑起来分分钟爆窗口？

普通聊天为什么不容易爆？

因为普通聊天主要就是用户问题和模型回答。

你问一句，模型答一句。内容再多，也通常是线性增长。

但 Agent 不一样。

Agent 每一轮都可能调用工具，而工具结果也会进入上下文。

Claude Code 这种编程 Agent，一次任务里可能会做这些事：

• 读package.json
• 搜索路由入口
• 读取组件文件
• 执行测试命令
• 拿到几百行报错日志
• 修改文件
• 再跑测试
• 再读相关依赖
• 再对比 diff
• 再生成下一步计划

这不是聊天，这是带执行轨迹的工作流。

图2：Agent循环中工具结果、文件内容和错误日志会持续撑大上下文

一个最典型的场景是修 bug。

你只说了一句话：“帮我修一下登录失败的问题。”

但 Claude Code 可能要跑很多步：

1. 搜login
2. 读登录页
3. 读 API 封装
4. 读鉴权中间件
5. 跑测试
6. 看到报错
7. 再读环境变量配置
8. 改代码
9. 再跑测试
10. 再看新报错

每一步都会产生上下文。

尤其是三类内容，特别吃 token：

第一类，大文件内容。

读一个几百行文件，很容易就是几千 token。

第二类，命令输出。

测试日志、构建日志、堆栈报错，一长就是几百行。

第三类，中间推理轨迹。

模型每一步的解释、计划、工具调用参数、工具返回结果，都会累计。

所以面试时要说清楚：Agent 爆上下文，不是因为用户说得多，而是因为工具调用轨迹太重。

这句话很关键。

四、上下文满了，真正的问题不是放不下，而是质量下降

很多人以为上下文窗口满了，只是报错。

不完全是。

更麻烦的是：在还没彻底满之前，模型质量已经开始下降。

为什么？

因为上下文越长，模型越容易遇到三类问题。

第一，注意力被稀释。

重要约束和大量日志混在一起，模型未必能稳定抓住重点。

第二，早期指令被压到很远。

你一开始说"不要动数据库结构"，后面塞了几十轮工具结果，这句话就离当前推理越来越远。

第三，中间状态变脏。

Agent 做过的错误尝试、失败路径、旧假设，如果一直留在上下文里，会干扰后续判断。

图3：上下文变长后，问题从容量不足变成注意力稀释和状态污染

所以，上下文管理不是等满了再救火。

真正好的 Agent 系统，会从一开始就控制上下文质量。

少拿没用的信息，少保留噪音，少让失败路径污染后续决策。

Claude Code 的设计思路也是这样：Auto-Compact 很重要，但它不是第一道防线。

五、业界常见上下文方案，为什么单独用都不够看？

讲 Claude Code 之前，我们先看业界常见方案。

因为面试官很可能追问：“为什么不直接用 RAG？为什么不直接摘要？为什么不直接开大窗口？”

你要能说出每个方案的边界。

图4：常见上下文管理方案各有适用场景，但单独使用都解决不了Agent执行轨迹问题

1. 滑动窗口：简单，但容易丢任务背景

滑动窗口就是先进先出。

上下文满了，就把最早的内容丢掉。

这个方案最简单，但对 Agent 很危险。

因为最早的内容里可能有：

• 用户最初目标
• 关键限制条件
• 为什么选择某个方案
• 哪些文件不能改
• 哪些路径已经验证过不通

这些东西一旦丢掉，Agent 就可能开始乱改。

所以滑动窗口适合普通聊天，不适合复杂任务执行。

2. 摘要压缩：能省 token，但容易丢细节

摘要比直接丢好。

它会把旧对话压成一段短文本。

但问题是：普通摘要天然偏叙事，不一定保留可执行状态。

比如它总结：“我们分析了登录模块，并尝试修复 token 失效问题。”

这句话看起来没错，但对继续干活帮助不大。

真正有用的信息应该是：

• 已确认auth.ts里 token 续期逻辑有问题
• 已修改refreshToken()的异常处理
• login.spec.ts还剩一个超时用例没过
• 用户要求不要改接口协议

所以 Agent 需要的不是作文式摘要，而是任务状态快照。

3. RAG 检索：适合找资料，不适合保存执行轨迹

RAG 很适合解决"知识在哪里"的问题。

比如你问一个函数在哪里定义，或者某个概念在哪篇文档里，它很好用。

但 Agent 的上下文问题不只是知识检索。

它还要保存：

• 当前任务目标
• 已做过哪些尝试
• 哪些结论已经验证
• 哪些错误路径不要再走
• 当前文件改到了什么状态

这些是执行轨迹，不是静态知识。

你把它们丢进向量库再检索，未必能稳定召回关键状态。

所以 RAG 可以帮 Agent 找代码、找文档，但不能替代任务状态管理。

4. 长期记忆：适合规则，不适合临时状态

长期记忆适合放稳定信息：

• 项目技术栈
• 编码规范
• 用户偏好
• 常用命令
• 目录结构说明

但它不适合放临时任务状态。

比如"刚刚第 7 步测试失败，原因是 mock 数据缺字段"，这种信息放长期记忆就很怪。

长期记忆解决的是跨会话规则，不是当前会话执行轨迹。

5. 子 Agent 隔离：能分流噪音，但主线还要接得住

子 Agent 很重要。

比如让一个子 Agent 去搜索整个代码库，主 Agent 只拿结论。

这样大量文件读取就不会污染主上下文。

但子 Agent 也不是万能的。

因为最终主 Agent 还是要知道：

• 子 Agent 发现了什么
• 哪些证据可靠
• 下一步该怎么做

所以子 Agent 的价值是隔离探索噪音，不是取消上下文管理。

六、Claude Code 的上下文治理，不是只靠 Auto-Compact

现在进入重点。

Claude Code 的上下文治理，可以理解成五层防线。

这不是官方术语，而是从工程视角抽象出来的结构。

它不是等窗口满了再压缩，而是从拿上下文的那一刻起就开始控制。

图5：Claude Code上下文治理的五层防线，从精准取数到Auto-Compact

第一层：精准取上下文，少读无关内容

Claude Code 不鼓励一上来把整个项目塞给模型。

它更常见的路径是：

先用 Glob 找文件范围，再用 Grep 定位关键词，最后用 Read 读取关键文件片段。

这背后有个原则：上下文不是越多越好，而是越准越好。

你让 Agent 一次性读十几个文件，看起来信息全了，但模型注意力会被稀释。

相反，先搜索，再定位，再读取，虽然多几步工具调用，但上下文质量更高。

第二层：工具结果裁剪，别让日志淹没任务

Agent 最容易被工具输出拖垮。

所以 Claude Code 会优先处理旧工具输出。

官方文档里也提到，接近上下文上限时，会先清理较早的工具输出，如果还不够，再做对话摘要。

这非常合理。

因为很多工具输出只在当时有用。

比如一次失败的测试日志，后面你已经根据它修完了，日志本身就没必要完整保留。

真正需要保留的是结论：

哪个测试失败、为什么失败、修到了哪里、还剩什么问题。

第三层：子 Agent 隔离探索，把噪音挡在主线外

Claude Code 可以让子 Agent 处理研究类任务。

子 Agent 有自己的上下文窗口。

它可以去读大量文件、跑搜索、做对比，最后只把摘要和少量元信息返回主 Agent。

这层设计的价值非常大。

因为主 Agent 最怕被"探索过程"污染。

探索过程里有很多不确定信息：

• 这个文件可能相关
• 那个路径可能有问题
• 搜出来十几个候选点
• 其中九个最后被证明没用

这些都塞给主 Agent，会让主上下文又长又脏。

子 Agent 相当于一个信息过滤器：把大范围探索变成小体积结论。

图6：子Agent用独立上下文完成探索，只把结论交回主Agent

第四层：把稳定规则放到 CLAUDE.md 和 memory

有些内容不应该依赖聊天历史。

比如：

• 项目必须用 pnpm
• 不允许直接改数据库 schema
• 代码风格遵循现有模式
• 测试命令是什么
• 业务里的关键术语是什么意思

这些都是稳定规则。

如果你只在对话一开始说一次，压缩之后很可能丢。

更好的做法是放到CLAUDE.md或 memory。

Claude Code 在压缩之后，会重新注入一部分启动内容，比如项目根的CLAUDE.md、auto memory 等。

这就保证了稳定规则不会完全依赖早期聊天记录。

第五层：Auto-Compact 做会话级压缩

前四层都是减负。

但复杂任务跑久了，上下文还是会接近上限。

这时候才轮到 Auto-Compact。

Auto-Compact 的核心不是"把旧消息压短"这么简单。

它真正做的是：把冗长执行轨迹，压成后续 Agent 能继续工作的状态快照。

七、Auto-Compact 什么时候触发？

Auto-Compact 的触发逻辑，可以用一句话理解：

不是等窗口彻底满了才压，而是在接近上限、还留有摘要空间时提前压。

为什么要提前？

因为压缩本身也需要 token。

如果等上下文真的 100% 塞满，再让模型生成摘要，就可能已经没有足够空间完成压缩。

所以成熟系统都会预留一段空间给压缩流程。

Claude Code 里你也可以通过/context看当前上下文使用情况，通过/compact手动压缩，通过/clear清空当前对话历史。

这三个命令的语义不一样：

图7：Auto-Compact会在接近上限时提前压缩，避免真正满窗后无法生成摘要

面试时这里可以加一句：

Auto-Compact 不是异常恢复机制，而是上下文预算管理机制。

这句话比"满了就总结"高级很多。

八、Auto-Compact 压什么、留什么、丢什么？

这是面试最容易被追问的地方。

如果你只说"压缩历史对话"，还是太粗。

要按信息价值分层讲。

图8：Auto-Compact不是平均压缩，而是保留任务状态、丢弃执行噪音

1. 优先压工具输出

工具输出通常体积最大。

比如：

• 完整测试日志
• 大段构建输出
• 文件读取结果
• 搜索命中列表
• 重复报错堆栈

这些内容不是完全没用，而是原文不一定需要保留。

更值得保留的是从工具输出里提炼出的状态。

例如：

不要保留 300 行测试日志。

要保留：“auth.spec.ts中 refresh token 用例失败，原因是 mock 响应缺少expiresAt字段。”

这就是压缩的价值。

2. 保留用户目标

用户最初要做什么，一定要保留。

比如：

• 修登录失败
• 不要改接口协议
• 保持兼容旧版本
• 只改前端，不动后端

这些是任务边界。

丢了，Agent 就容易漂移。

3. 保留关键决策

Agent 在执行过程中会做很多判断。

有些判断是关键决策，必须保留：

• 为什么选择方案 A，不选方案 B
• 哪个文件是问题根因
• 哪条错误路径已经排除
• 哪个约束不能破坏

这些信息决定后续方向。

如果压缩摘要里没有这些，Agent 可能重复走老路。

4. 保留文件状态

编程 Agent 必须知道文件改到了哪里。

至少要保留：

• 已修改文件列表
• 每个文件改了什么
• 尚未验证的改动
• 还没完成的 TODO
• 已运行和未运行的测试

否则压缩后继续对话，Agent 就会像重新接手一个陌生现场。

5. 丢弃重复和无效过程

什么可以丢？

主要是这些：

• 重复搜索结果
• 已经被结论覆盖的长日志
• 无关文件内容
• 被排除的候选路径细节
• 中间寒暄和无执行价值的解释

注意，不是所有失败路径都能丢。

如果某个失败路径对后续有警示作用，要保留结论：“不要再从 X 模块入手，已验证无关。”

丢的是原始过程，不是关键结论。

九、摘要 prompt 不是"总结一下"，而是生成任务状态快照

很多人低估了摘要 prompt 的重要性。

普通摘要 prompt 会写：

“请总结以上对话。”

这对 Agent 不够。

因为 Agent 不是要读一篇摘要文章，而是要接着干活。

所以摘要 prompt 更应该要求模型输出结构化状态。

比如：

请把当前会话压缩成后续 Agent 可以继续执行的状态快照。必须保留：1. 用户的原始目标和限制条件2. 当前任务进度3. 已读取/已修改的关键文件4. 已确认的事实和关键决策5. 已排除的错误路径6. 未完成事项和下一步建议7. 仍需注意的风险可以丢弃：1. 重复日志2. 无关搜索过程3. 已被结论覆盖的中间输出4. 寒暄和非任务信息

这类 prompt 的目标不是"短"，而是可接续。

图9：压缩摘要应该按任务状态组织，而不是按聊天流水账组织

面试时你可以这样说：

Auto-Compact 的摘要不是给人看的会议纪要，而是给下一轮 Agent 使用的状态转移记录。

这句话很重要。

它能体现你理解 Agent 的执行连续性。

十、压完之后，Claude Code 怎么接续对话？

压缩之后发生了什么？

简单理解，旧的长历史被替换成一段结构化摘要。

然后新一轮对话继续运行。

但这里还有几个细节。

第一，系统提示词不属于普通对话历史，它不会因为 compact 消失。

第二，项目根的CLAUDE.md、auto memory 这类启动内容会重新注入。

第三，路径规则、嵌套目录里的 CLAUDE.md、某些按文件触发的规则，可能要等再次读取对应文件后才重新加载。

第四，已经调用过的 skill 可能会被重新注入，但会受 token 预算限制。

这说明什么？

说明压缩后的接续，不是靠模型"记忆力好"。

而是靠系统把上下文重新组织成几类内容：

• 稳定规则：系统提示词、根 CLAUDE.md、memory
• 当前任务状态：compact 生成的摘要
• 后续按需加载：文件内容、路径规则、子目录规则、工具结果

图10：压缩后会用稳定规则、任务摘要和按需加载内容重建可执行上下文

所以 Claude Code 压完还能继续，不是因为所有细节都保住了。

而是因为它保住了继续执行所必需的最小状态。

这也是上下文压缩的核心取舍：

不是尽量不丢信息，而是优先不丢会影响下一步行动的信息。

十一、这道面试题该怎么答？

现在把前面内容压成面试回答。

面试官问：

“你了解 Claude Code 的上下文窗口和 Auto-Compact 吗？它是怎么做上下文管理的？”

你可以这样回答：

"上下文窗口本质上是模型一次推理能看到的 token 空间，不是长期记忆。Claude Code 作为编程 Agent，比普通聊天更容易消耗上下文，因为它不仅有用户消息和模型回复，还会持续累积工具定义、文件读取内容、命令输出、测试日志、diff、错误重试和中间决策。

真正把窗口撑爆的，往往不是用户说了多少，而是工具调用轨迹太重。

常见方案比如滑动窗口、摘要、RAG、长期记忆和子 Agent 都有价值，但单独用都不够。滑动窗口容易丢任务背景，普通摘要容易丢约束，RAG 更适合找知识，不适合保存执行轨迹，长期记忆适合稳定规则，不适合当前任务状态，子 Agent 能隔离探索噪音，但主 Agent 仍然需要拿到可执行结论。

所以 Claude Code 更像是分层做上下文治理。前面先通过 Glob、Grep、Read 精准取上下文，减少无关文件；

再对工具结果做裁剪，避免日志淹没任务；

复杂探索交给子 Agent，用独立窗口跑，主 Agent 只接收摘要；

稳定规则放到 CLAUDE.md 和 memory；最后当上下文接近上限时，由 Auto-Compact 把旧对话和工具轨迹压成结构化任务状态。

Auto-Compact 不是简单总结聊天记录，而是保留用户目标、约束、关键决策、已修改文件、当前进度、未完成事项和风险，把重复日志、无关搜索、已被结论覆盖的中间过程丢掉。

压缩后，系统提示词、根 CLAUDE.md、memory 等稳定规则会重新进入上下文，compact 摘要作为当前任务状态，后续文件和规则再按需加载，所以 Agent 能继续执行。核心思想是：保留状态，丢弃噪音。"

这个回答已经够用了。

如果想再加分，可以补一句：

Claude Code 的上下文管理不是为了让模型看见更多，而是为了让模型在每一步都看见更有价值的信息。

十二、面试官可能继续追问什么？

追问 1：为什么不直接把上下文窗口做大？

窗口变大能缓解问题，但不能解决问题。

因为上下文越大，成本越高，延迟越高，注意力稀释也更明显。

Agent 真正需要的是高质量上下文，不是无限长上下文。

大窗口适合兜底，不能替代上下文治理。

追问 2：RAG 能不能替代 Auto-Compact？

不能。

RAG 解决的是外部知识召回，Auto-Compact 解决的是会话执行状态压缩。

RAG 适合问"相关代码在哪里"，Auto-Compact 适合保留"当前任务做到哪一步"。

一个偏检索，一个偏状态延续。

追问 3：压缩会不会导致幻觉？

会有风险。

如果摘要把不确定信息写成确定结论，后续 Agent 就会沿着错误状态继续执行。

所以压缩摘要里要区分：

• 已确认事实
• 推测判断
• 未验证事项
• 已排除路径

好的 compact 摘要必须保留不确定性，不能把所有中间过程都写成结论。

追问 4：项目规则应该放对话里，还是 CLAUDE.md 里？

稳定规则放CLAUDE.md。

临时任务要求放当前对话。

如果某条规则跨任务都重要，比如"不要改数据库 schema"，就不应该只靠一次聊天告诉模型，应该写进项目级记忆。

因为早期对话可能被压缩，但项目根CLAUDE.md这类稳定规则会在压缩后重新注入。

追问 5：如果你自己设计 Agent 的上下文压缩，会怎么做？

我会分三步。

第一步，先做上下文预算统计，知道 token 花在哪：系统提示词、工具定义、文件内容、命令输出、历史对话分别占多少。

第二步，按信息价值压缩：工具原文优先裁剪，任务目标和约束必须保留，文件状态和未完成事项必须保留。

第三步，用结构化摘要接续任务，而不是自然语言闲聊摘要。摘要里明确写目标、进度、已改文件、关键决策、未完成事项和风险。

最后再配合子 Agent 隔离大范围探索，避免主上下文被噪音污染。

图11：Claude Code上下文窗口面试回答框架

十三、普通开发者怎么用得更稳？

理解原理之后，使用建议也就很清楚了。

第一，一次会话只做一个主任务。

不要在同一个会话里又修 bug、又重构、又加功能、又讨论方案。

任务越杂，compact 摘要越难保留正确状态。

第二，稳定规则写进 CLAUDE.md。

比如技术栈、测试命令、禁止改动范围、代码风格，不要只在聊天里说。

第三，长日志不要无脑贴。

能让工具跑就让工具跑，能截关键报错就截关键报错。

第四，压缩前主动说清楚保留重点。

如果当前任务复杂，可以手动/compact focus on ...，明确让它保留某个模块、某个 bug、某个改动方向。

第五，换任务就/clear。

不要让旧任务的上下文污染新任务。

很多 Agent 漂移，不是模型能力不行，而是上下文太脏。

结尾

Claude Code 的上下文窗口问题，本质不是"200K 够不够"。

真正的问题是：Agent 执行过程中，哪些信息应该继续影响下一步决策，哪些信息应该及时退出上下文。

会用 Claude Code，只是工具熟练。

能讲清楚上下文窗口、Auto-Compact、子 Agent 隔离、CLAUDE.md 重注入和任务状态快照，才说明你真的理解 Agent 工程。

学AI大模型的正确顺序，千万不要搞错了

🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！

有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！

就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋

📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇

学习路线:

✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经

以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！

我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】