术语判别:中文圈已有完整对等词,中文化为主;英文 Static Context / Dynamic Context 作为别名保留,用于学术引用或与英文社区对齐时。
定义
把 agent 加载信息的方式切成两类:静态上下文 = 每次会话都保证加载的恒定内容(规则、system prompt、CLAUDE.md / agent.md),可靠但持续占用窗口;动态上下文 = 只在需要时按需加载的内容(skills、LSP、hooks、特定代码区约定、子目录 CLAUDE.md),省窗口但风险是 agent 可能在该调用的时候没主动取。
这条权衡直接决定架构走向:多花静态上下文养一群专精 agent(每个自带完整静态上下文),还是少占静态、靠动态技能堆出通才 agent + skills。两类解法在不同任务重合度下各有最优。
各信源立场对照
| 信源 | 立场/侧重 | 锚点 | 采信 |
|---|---|---|---|
| ByteGrad·Remotion+Claude Code | 唯一从营销视频生成业务场景切人的:Remotion skill “只在提示词相关时才拉进 context、保持 context 干净” 是按需加载的具体落地 | 6:46 | 利益中性,推自家课程但机制与 VPS 赞助无关 |
| Chase·Claude Code 六个层级 | skill 本质只是文本 prompt,只预加载名称+简介、完整内容按需调用;补 ETH Zurich 研究:滥用 static context 收益微弱、推高 20%+ 推理成本 | 20:21 | 利益中性,推付费课但量化数据可独立验证 |
| Greg·AI Agent 与 Claude Skill 工作原理 | ”95% 的人不需要 agent.md”——例外只有公司专有信息、必须每次引用的方法论;agent.md vs skill 即静态 vs 动态的教科书对照 | 2:06 | 利益中性,无付费课程核心观点属跨工具共识 |
| Cole·大型代码库 Harness 大师课 | 在大型代码库场景细化分层:global rules(静态)/ skills·LSP·hooks(动态)/ 子目录 CLAUDE.md(按位置叠加的动态),把”按需”从 skill 扩到 hook 与位置感知加载 | — | 利益中性,推广插件咨询但 7 层框架源自官方 |
| Ras Mic·Skill vs agents.md | 944→53 token 实测:三个 skill 叠加只占百级 token,放 agents.md 占近千;动态加载释放 context 预算、避免冗余信息稀释注意力 | 1:46 | 利益中性,token 量化选型主张利益中性 |
| Cole·Harness 为王 | 首见:static context 每次保证加载、可靠但一开始就占窗口;dynamic context 按需加载、省资源但风险是 agent 可能在该调用时不会主动去取 | 17:14 | 利益中性,有赞助贴片但关键主张独立印证 |
分歧与共识
- 共识:每次都加载 ≠ 按需加载,二者各有代价;大多数规则 / 方法论不该放进 CLAUDE.md / agent.md 这种恒定上下文;触发频率低、专业度高的内容适合做成 skill 等按需模块;少占窗口 = 省 token + 留注意力给当前任务。
- 分歧 / 侧重:
- 给”不该塞静态”的不同粒度证据:Greg 给”95% 不需要 agent.md”的硬阈值;Chase 用 ETH Zurich 量化”滥用 static context 推高 20%+ 推理成本”;Ras Mic 用 944→53 token 实测把权衡具体化——三者互补,无冲突。
- “按需”的范围:Cole 在大型代码库场景把”动态”从 skill 扩到 LSP、hooks,以及”按目录位置叠加的子目录 CLAUDE.md”——按需不只是”按触发”,还可以”按位置”。
- 动态上下文的隐性风险:Cole 在 Harness 课里点出 dynamic context 的可靠性格栅——“agent 可能不会在该调用的时候主动去取”,skill 描述写得不够明确时就会漏触发。这是按需加载的代价,不能用”换 skill”绕开,只能靠写好 description 缓解。
- 场景差异:ByteGrad 是唯一非编程场景(营销视频生成),但落到”skill 按需触发” 的描述与其他源一致,说明这条权衡在 Claude Code 之外的 skill 化工作流里同样成立。
怎么用
- 少占静态上下文:默认不要把规则、风格、领域知识塞进 CLAUDE.md / agent.md;同一文档被每次会话加载,既稀释注意力、又推高 20%+ 推理成本(Chase 引 ETH Zurich)。例外才放:公司专有信息、必须每次都引用的个人方法论(Greg 的 5% 阈值)。
- 专业知识做成 skill:跨项目、偶发触发的知识做成 skill——name+description 始终预加载(几十 token)、正文按需触发(几百 token)。Ras Mic 实测三个 skill 叠加只占百级 token,远小于把这些内容塞 agents.md 的近千 token。
- 写好 skill 描述保可靠性:按需加载的代价是 agent 可能漏触发(Cole 在 Harness 课点出的格栅)。description 必须明确”何时该用”,否则”该调时不调” 风险会成真。
- 多 agent vs 通才 agent:按这条权衡分流——专精多 agent = 每个 agent 自带完整静态上下文;通才 agent + skills = 中心 agent 配大量按需模块。选哪条取决于任务重合度与配置成本,本概念给的是判断准则而非唯一答案。
适用边界
- 5% 例外之外别塞 agent.md:Greg·2:06 明示”95% 的人不需要 agent.md”,只有公司专有信息和必须每次都引用的方法论才是合法理由——其余规则 / 风格 / 领域知识塞进恒定上下文属滥用。
- dynamic context 漏触发是内生风险:Cole 在 Harness 课点出”agent 可能在该调用的时候没主动去取”——按需加载的代价不可消除,只能用”写好 skill description”缓解,不能用”换 skill”绕开。
- 滥用 static context 会推高推理成本:Chase 引 ETH Zurich 量化”滥用 static context 推高 20%+ 推理成本”——CLAUDE.md / agent.md 塞越多不必然越好,持续加载的代价是真实的。
关联
- 渐进式披露 — 互补:静态 / 动态上下文 是按需加载的”上层分类”,渐进式披露是其下的具体落地动作——同一个权衡的两面(本页与渐进式披露页都已明文点出)。
- Harness — 印证:Harness 是你为 AI 编码助手搭的上下文 / 规则 / 工具 / workflow 的集合;静态 / 动态上下文 是该集合中”上下文管理”维度的具体切片——Harness 是上位概念,本概念是其下分类。
- Context Rot — 互补:static context 堆得越多、用得越满,context 越长越易触腐化阈值——分类是策略、腐化是后果,二者共同构成”context 工程”。