context-mode и Dynamic Context Pruning: управление контекстом coding agents

Аннотация

context-mode и Dynamic Context Pruning (DCP) решают одну задачу разными способами: уменьшают объём истории, которую coding agent отправляет модели. context-mode заранее направляет большие данные в локальный MCP server, индексирует их и возвращает модели только результат поиска или вычисления. DCP работает внутри OpenCode и перед очередным запросом заменяет старые сообщения summary и placeholders.

Выбор зависит от источника лишнего контекста. context-mode подходит для логов, HTML, JSON и больших файлов, если agent может получить их через инструменты плагина. DCP полезнее в длинных сессиях OpenCode, где tool outputs уже накопились в истории. Оба инструмента стоит сначала проверять в изолированном пилоте: опубликованные данные подтверждают сокращение контекста, но не доказывают сохранение качества на произвольных задачах.¹²

Короткий ответ

Как работает context-mode

context-mode добавляет MCP server и набор hooks. Инструменты плагина сохраняют большие результаты команд, страниц и файлов в SQLite с FTS5-индексом, а в model context возвращают короткий результат поиска, агрегат или ссылку на сохранённые данные.¹ Дополнительные tools выполняют JavaScript или shell над данными и передают модели только вычисленный итог.

Это не сжатие всей истории перед запросом к модели. Agent должен заранее выбрать ctx_* tool или получить от hook указание изменить маршрут. Если сторонний MCP server уже вернул большой payload, context-mode не может задним числом убрать его из истории Codex.³⁴

Такой подход даёт два преимущества:

• исходные данные остаются в локальном поисковом индексе и доступны через ctx_search;
• модель получает только нужные фрагменты или итог вычисления.

Ограничения следуют из той же архитектуры:

• выигрыш зависит от правильной маршрутизации до получения данных;
• retrieval может пропустить редкую, но важную деталь;
• ctx_execute и связанные tools исполняют код с правами MCP-процесса, а не в полноценном OS sandbox;¹
• hooks требуют отдельного доверия со стороны Codex.⁵

Собственный benchmark проекта показывает значительное сокращение объёма вывода, но измеряет прежде всего размер результата. Он не проверяет, завершит ли agent реальную задачу без потери важных деталей.²

Как работает Dynamic Context Pruning

DCP — npm plugin для OpenCode. Он использует experimental.chat.messages.transform, добавляет tool compress и перед отправкой запроса заменяет выбранные сообщения summaries и placeholders.⁶⁷⁸ Исходная история сессии остаётся в storage, поэтому отдельное сжатие можно отменить через /dcp decompress.⁶

DCP применяет три механизма:

• compress range выбирает завершённый участок истории и создаёт техническое summary;
• deduplication удаляет старые результаты одинаковых tool calls с одинаковыми arguments;
• purge errors удаляет крупные inputs неуспешных calls после нескольких turns, сохраняя error message.⁶⁸

DCP работает позже, чем context-mode: данные уже попали в историю, после чего plugin сокращает будущие запросы. Поэтому он лучше подходит для длинных сессий OpenCode и старых ответов сторонних tools.

У подхода есть обратная сторона. Модель видит summary вместо исходных сообщений, пока пользователь не выполнит decompression. Качество зависит от выбранного диапазона, prompt и модели. Известны случаи, когда summaries оказывались больше исходного фрагмента или переносили старое разрешение пользователя как действующее.⁹¹⁰

Сравнение

Когда использовать context-mode

Пилот оправдан, если одновременно выполняются три условия:

1. Сессии регулярно обрабатывают большие логи, HTML, JSON или файлы.
2. Эти данные можно получать через ctx_execute, ctx_execute_file или ctx_fetch_and_index.
3. Уже измерена проблема: compaction теряет детали, задачи требуют повторного чтения либо растут latency и input tokens.

Плагин не даст большого выигрыша, если основные источники уже используют filters и pagination или если объёмные данные приходят только из сторонних MCP servers. Не стоит устанавливать его только ради заявленного процента экономии без проверки task success.²

Для первого пилота:

1. Использовать отдельный Codex profile или изолированный CODEX_HOME.
2. Сначала вызывать MCP tools явно, без routing hooks.
3. Выбрать повторяемые задачи с большими файлами, логами и web-страницами.
4. Сравнить baseline и вариант с context-mode при одинаковых model и reasoning effort.
5. Измерить task success, повторные чтения, elapsed time, compaction, input tokens и peak RSS.
6. Проверять hooks отдельным экспериментом, потому что они меняют маршрутизацию.

Внутреннюю статистику ctx_stats следует считать диагностикой. В issue проекта зафиксированы противоречивые значения savings, поэтому решение лучше принимать по внешним метрикам и результату задач.¹²

Когда использовать DCP

DCP подходит для сессий OpenCode, которые регулярно состоят из десятков turns, а старые tool outputs занимают заметную часть каждого запроса. Для коротких задач plugin обычно не нужен: compression добавляет model/tool call и меняет prompt prefix.

Безопасная начальная конфигурация:

1. Установить точную версию пакета, а не плавающий диапазон.
2. Выключить autoUpdate, чтобы поведение не менялось между A/B-запусками.¹³
3. Включить manualMode.enabled: true.
4. Запрашивать compression после завершения этапа исследования, а не во время approval, миграции или deploy.
5. Проверять каждое summary: оно должно быть короче исходного диапазона и сохранять paths, errors и принятые decisions.
6. Сравнивать provider input/cache tokens, повторные чтения, task success и итоговый diff.

Автономный режим не стоит включать, пока пилот не подтвердит сохранение результата. Особая осторожность нужна там, где старые approvals или граница между plan и write имеют юридическое или операционное значение: summary не должно выдавать новые полномочия.¹⁰

Риски эксплуатации

Оба плагина расширяют доверенную поверхность agent-среды.

Для context-mode это отдельный Node.js-процесс, SQLite index, hooks и tools для исполнения кода. В проекте также были открыты issues о статистике, восстановлении состояния и ранжировании памяти.¹²¹⁴¹⁵ Поэтому индекс требует контроля срока хранения, а важные выводы — проверки по первичному источнику.

Для DCP основные риски связаны с качеством summary, experimental hook API и обновлениями пакета. Есть reports об ошибках загрузки из-за runtime dependencies и о feedback loop с отрицательной экономией.⁹¹⁶ Исходная история позволяет выполнить decompression, но модель не сделает это сама, если summary выглядит правдоподобно.

Перед внедрением следует также проверить лицензии: context-mode распространяется по Elastic License 2.0, DCP — по AGPL-3.0-or-later.¹¹⁷

Рекомендации

context-mode стоит рассматривать как специализированный слой для работы с большими данными, а не как глобальную замену обычным tools. Начинать лучше с явных вызовов на задачах, где исходные данные велики и доступны через ctx_* tools.

DCP стоит рассматривать как инструмент обслуживания длинной истории OpenCode. Начальный режим — ручное сжатие, фиксированная версия и просмотр каждого summary. Autonomous mode требует отдельного подтверждения на реальных задачах.

Если проблема с контекстом не измерена, сначала достаточно ограничить tool output у источника: использовать filters, pagination, узкие запросы и сохранять большие артефакты в файлы. Дополнительный plugin оправдан только тогда, когда даёт воспроизводимый выигрыш без снижения task success.

Ограничения оценки

• Нет независимого task-success benchmark для актуальных версий обоих плагинов.
• Benchmark context-mode подтверждает сокращение объёма, но не качество решения задач.²
• DCP зависит от experimental API OpenCode, модели и prompt для summary.⁶
• Release status, defaults и открытые issues меняются; срез зафиксирован на 19 июля 2026 года.

Quality Metrics