在棕地代码库中将 LLM 性能提升 2 倍的上下文压缩实战指南

仅仅写好提示词（Prompt）并不能像变魔法一样修复遗留代码。在错综复杂的棕地（Legacy）环境中，AI Agent 遭遇惨败的真正原因并非智力不足，而是上下文污染。当模型存储记忆的上下文窗口堆积了不必要的噪音时，逻辑一致性就会像沙堡一样崩塌。

基于 Transformer 架构的模型性能在上下文利用率超过 40% 到 60% 时会急剧下降。2026 年的今天，业界将此现象称为 AI 垃圾代码（Slop）。这是一种虽然能运行但无法维护，不断产出垃圾代码的现象。如果你正耗费大量时间修改 AI 的生成结果，那么你已不再是开发者，而是沦为了替 AI 收拾残局的“马具工程师（Harness Engineer）”。

为了有意识压缩的 Markdown 架构

视频中提到的摘要仅仅是个开始。在大规模系统中，结构化压缩是必不可少的。这不仅仅是缩短对话长度，而是要利用 LLM 能够最快、最准确解析的 Markdown 层级结构来极度提升信息密度。

实际研究数据表明，应用了 Markdown 格式的提示词比单纯的 JSON 在推理准确度上高出 7.3% 以上。资深架构师通过以下三个要素来控制模型的注意力（Attention）机制：

• <context> 标签： 明确当前任务的背景和地面真值（Ground Truth）。
• <constraint> 标签： 设置硬性护栏，防止模型擅自更改设计。
• 层级标题 (#, ##)： 设定信息等级，提高指令感知率。

这个压缩过程不应该是手动的。领先的团队会在 Git Hook 或 CI/CD 流水线中嵌入上下文更新脚本。每当 Agent 完成特定阶段并提交（Commit）时，系统会总结变更并记录在 PROGRESS.md 中，随后重置会话。这是一项将模型始终锁定在 40% 以下最佳利用区间的技术。

RPI 框架与子 Agent 策略

RPI（Research, Plan, Implement）不仅仅是一个流程图。这是一种隔离策略，通过为每个阶段分配独立的上下文会话来物理拦截噪音。

1. Research：把脏活累活交给子 Agent

不要让主 Agent 直接读取数万行的文件。文件扫描是子 Agent 的职责。当子 Agent 翻遍数千个文件并只返回核心逻辑的位置精髓时，主 Agent 就能专注于精准推理，而不会浪费 Token。

2. Plan & Implement：准入关卡与马具设计

在计划阶段，核心不是设定“要做什么”，而是设定**“不做什么（Non-goals）”**。在实现时，应使用 Git Worktree 为 Agent 提供隔离环境，确保其实验不会污染主分支。

评价指标	应用 RPI 前	应用 RPI 后	提升指数
每个功能实现的缺陷（Bug）数	12.5 个	3.8 个	减少 69.6%
代码审查（CR）通过速度	平均 48 小时	平均 8 小时	提升 83%
Agent 独立作业成功率	18%	79%	提升 338%

通过本地 LLM 构建数据主权

不加节制地将企业核心资产——源代码抛给外部 API 的时代已经结束了。2025 年以后，业界标准是在公司内部基础设施中直接构建像 Llama 3 或 Mistral 这样的开源模型。

这种方式不仅仅是为了安全。它可以节省研究阶段产生的数千美元以上的巨额代码扫描成本。最有效的方案是采用混合架构：由本地 LLM 执行敏感度较低的初步探索，仅在需要高度设计的环节，脱敏处理后委派给高性能闭源模型（如 Claude 3.5 等）。

案例研究：50 万行规模 Java/Spring 遗留系统现代化

在一个没有任何文档、已有 10 年历史的支付系统中应用 RPI 框架的结果令人震惊。在 Hibernate 依赖关系极其混乱的环境下，新工程师的入职培训（On-boarding）周期从 90 天缩短至 35 天，降幅达 61%。

这是因为 Agent 在探索各个模块时获得的信息，被压缩成 Markdown 格式的架构指南，作为**活文档（Living Document）**保留在仓库中。这表明 RPI 已超越了个人工具，成为了整个团队的知识传递系统。

实战引入检查清单

2026 年工程团队的竞争力不在于写了多少代码，而在于构建了多么可靠的 Agent 环境。

• 是否在项目根目录创建了 CLAUDE.md 并编写了核心指南。
• 是否设置了自动压缩触发器，确保上下文使用量不超过 40%。
• 是否存在由人类架构师审查 Agent 计划的准入关卡。
• 是否在马具层级（Harness Layer）自动执行针对修改代码的静态分析。

上下文工程（Context Engineering）是控制人工智能、将你的思考产出放大数万倍的唯一途径。请立即重新设计你的 Agent 环境。