Context-Life (CL)

LLM Context Optimization MCP Server

Local RAG · Intelligent Trim · Token Counting · Prompt Caching · Context Health

Zero API calls — everything runs locally on your machine.

______________________________________________________________________

什么是情境生活？

生活是一个 MCP服务器 这优化了LLM如何使用其上下文窗口。想一想 上下文 （我们的吉祥物）作为一个小助手，坐在你的AI客户端和模型之间，确保每个令牌都很重要。

令牌计数 --使用带有LRU缓存的tiktoken进行精确计数
智能修剪 --智能消息阵列优化，永不丢失系统指令
本地RAG --使用LanceDB+多语言嵌入对文件进行语义搜索
提示缓存 --两级前缀分段，实现最大缓存重用
上下文健康 --实时健康评分（0-100），并提供可操作的建议
编排器检测 --自动检测Gentle AI、Engram和MCP编排器
智能上下文优化 --将提示分类为“轻”/“必需”/“关键”，以决定何时实际需要优化
HALT治理 --在生成不兼容的代码之前检测矛盾并停止
自动调用缓存 --基于TTL的缓存，具有SHA-256密钥推导和并发请求重复数据删除功能
跨会话状态 --用于跨会话持久状态的SQLite日志
治理仪表板 --实时指标（缓存状态、优先级、过时性）
多层检测 --检测光标、风浪和Codex环境

______________________________________________________________________

安装

使用Scoop（Windows--推荐）

Scoop是Windows的推荐安装方法。它自动处理更新，并将一切置于用户控制之下。

scoop bucket add context-life https://github.com/ErickGuerron/MCP-Context-Life
scoop install context-life

要更新，请执行以下操作：

scoop update context-life

没有Scoop？ 先安装它（PowerShell）：

Set-ExecutionPolicy -ExecutionPolicy RemoteSigned -Scope CurrentUser
irm get.scoop.sh | iex

有关完整独家新闻文档，请访问勺.sh.

______________________________________________________________________

使用紫外线（最快）

uv tool install "git+https://github.com/ErickGuerron/MCP-Context-Life.git"

Don't have uv? Install it first

窗户： powershell -ExecutionPolicy ByPass -c "irm https://astral.sh/uv/install.ps1 | iex"
macOS/Linux： curl -LsSf https://astral.sh/uv/install.sh | sh

使用pipx

pipx install "git+https://github.com/ErickGuerron/MCP-Context-Life.git"

标准pip

pip install git+https://github.com/ErickGuerron/MCP-Context-Life.git

安装配置文件

# Full install (default — includes RAG)
uv tool install "git+https://github.com/ErickGuerron/MCP-Context-Life.git"

# Core only (token counting + trim, no ML dependencies)
pip install "context-life[core]"

# With RAG (LanceDB + sentence-transformers)
pip install "context-life[rag]"

# Pinned to a specific version
uv tool install "git+https://github.com/ErickGuerron/MCP-Context-Life.git@v0.7.1"

来源

git clone https://github.com/ErickGuerron/MCP-Context-Life.git
cd MCP-Context-Life
pip install -e ".[dev]"

码头工人

docker build -t context-life .
docker run --rm context-life version
docker run --rm context-life info
docker run --rm context-life doctor

\[！警告\] Windows用户： Windows锁正在运行 .exe 文件夹。如果你得到 [WinError 32] 在升级过程中，请先关闭MCP客户端（OpenCode、Claude Desktop、Cursor等）。

______________________________________________________________________

CLI命令

context-life                           # Start MCP server (stdio)
context-life serve                     # Start MCP server (stdio)
context-life serve --http              # Start MCP server (HTTP)
context-life info                      # System info, config, dependencies
context-life doctor                    # Environment diagnostics
context-life warmup                    # Explain RAG warmup mode + current setting
context-life warmup set startup        # Persist warmup mode: lazy|startup|manual
context-life warmup interactive        # Interactive selector for warmup mode + prewarm
context-life prewarm                   # Explicitly warm the RAG model now
context-life upgrade                   # Upgrade to latest GitHub release
context-life upgrade --version v0.8.0  # Install specific version
context-life upgrade --dry-run         # Check without installing
context-life version                   # Show version
context-life help                      # Show help

______________________________________________________________________

使用MCP客户端进行设置

开源代码

添加 ~/.config/opencode/opencode.json:

{
  "mcp": {
    "context-life": {
      "type": "local",
      "command": ["context-life"],
      "enabled": true
    }
  }
}

要使客户端在每次转弯时自动运行Context-Life，请在代理/系统提示符中添加一个第一步策略，该策略调用 preflight_request 在计划或回答之前。

Before every user turn, call the Context-Life MCP prompt `preflight_request` with the raw user request, then follow the returned `applied_process`.

如果你想将其烘焙成OpenCode，请在主代理提示符中添加相同的规则：

Always call `preflight_request` before planning the response to any user message. If the result says `noop`, answer normally. If it recommends another step, follow `applied_process` exactly.

从TUI安装

打开 context-life tui首选 配置→ 安装上下文生活，然后选择以下选项之一：

开源代码
反重力
Visual Studio Code

每个选项只添加 context-life MCP进入该工具的配置。

对于自动飞行前，客户端必须配置为调用 preflight_request 第一；服务器不能自己无形地拦截聊天。

建议的反重力说明：

Before answering any user message, call the Context-Life MCP prompt `preflight_request` with the raw prompt. Use the returned `applied_process` to decide whether to optimize, search context, or continue normally.

克劳德桌面版

编辑 claude_desktop_config.json:

窗户： %APPDATA%\Claude\claude_desktop_config.json
macOS： ~/Library/Application Support/Claude/claude_desktop_config.json

{
  "mcpServers": {
    "context-life": {
      "command": "context-life",
      "args": [],
      "env": {}
    }
  }
}

光标/风帆/双子CLI

{
  "mcpServers": {
    "context-life": {
      "command": "context-life"
    }
  }
}

______________________________________________________________________

特性

工具

工具	说明
`autoinvoke_context`	在提示边界自动调用上下文优化（单个代理的零步唤醒）
`sleep_context`	在任务结束时坚持会话学习（单人代理睡眠行为）
`count_tokens_tool`	使用tiktoken计算任何文本的标记
`count_messages_tokens_tool`	计算OpenAI风格消息数组的令牌
`optimize_messages`	使用尾部/头部/智能策略修剪消息数组
`search_context`	基于索引局部知识的语义搜索
`index_knowledge`	将本地文件索引到LanceDB中以进行RAG检索
`cache_context`	具有分段前缀的缓存感知消息处理
`rag_stats`	知识库统计
`clear_knowledge`	清除所有索引知识
`reset_token_budget`	重置代币预算跟踪器
`analyze_context_health_tool`	上下文健康分析，包括评分、指标和建议
`get_orchestration_advice`	为Gentle AI/MCP编排者提供可操作的下一步合同

资源

资源	描述
`status://token_budget`	当前代币预算+LRU缓存统计数据
`cache://status`	快速缓存命中/未命中性能
`rag://stats`	RAG知识库信息
`status://orchestrator`	检测到编排器和顾问模式状态
`status://orchestration`	静态编排合同和推荐的工具流

______________________________________________________________________

建筑

┌──────────────────────────────────────────────────┐
│            MCP Client (LLM Host)                 │
│    (OpenCode / Claude / Cursor / Gemini CLI)     │
└────────────────────┬─────────────────────────────┘
                     │ MCP Protocol (stdio/http)
┌────────────────────▼─────────────────────────────┐
│              Context-Life Server                  │
│                                                   │
│  ┌──────────────┐  ┌──────────────────────────┐  │
│  │ Config       │  │ Token Counter            │  │
│  │ (3-tier)     │  │ (tiktoken + LRU cache)   │  │
│  └──────────────┘  └──────────────────────────┘  │
│  ┌──────────────┐  ┌──────────────────────────┐  │
│  │ Trim History │  │ Cache Manager            │  │
│  │ (tail/head/  │  │ (2-level prefix +        │  │
│  │  smart)      │  │  advisor hints)          │  │
│  └──────────────┘  └──────────────────────────┘  │
│  ┌──────────────┐  ┌──────────────────────────┐  │
│  │ RAG Engine   │  │ Context Health           │  │
│  │ (LanceDB +   │  │ (score 0-100 +           │  │
│  │  lazy load)  │  │  recommendations)        │  │
│  └──────────────┘  └──────────────────────────┘  │
│  ┌──────────────┐  ┌──────────────────────────┐  │
│  │ Orchestrator │  │ CLI (Rich TUI)           │  │
│  │ Detector     │  │ (info/doctor/upgrade/    │  │
│  │ (auto-sense) │  │  version)                │  │
│  └──────────────┘  └──────────────────────────┘  │
└───────────────────────────────────────────────────┘

现在开始构图 mmcp/presentation/mcp/server.py，将MCP工具/资源连接到 mmcp/presentation/app_container.py容器拥有共享的运行时对象和配置感知访问器，因此服务器可以保持精简，同时保留公共MCP表面。

图层映射

mmcp/presentation/ --MCP+CLI入口适配器和组合根
mmcp/application/ --垂直切片和端口
mmcp/infrastructure/ --按责任划分的具体适配器(environment/, persistence/, tokens/, knowledge/, context/, telemetry/)
mmcp/domain/ --如果稍后提取，则保留用于纯规则

______________________________________________________________________

运作原理

令牌计数器

用途 tiktoken 用于精确的代币计数。支持 cl100k_base （GPT-4，克劳德）， o200k_base （GPT-4o），以及 p50k_base （食品法典委员会）。 v0.5.0： LRU缓存（1024个条目）消除了微调迭代期间的冗余计数。

修剪历史

三种策略 严格的预算保证:

尾巴：保留最新消息
头：保留最旧的消息
聪明的：保护系统消息+最近的转弯，压缩中间部分。如果锚超过预算，则压缩为政策摘要。

RAG发动机

使用的局部矢量搜索 兰斯数据库 （无服务器）+ 多语言释义MiniLM-L12-v2 （多语言嵌入）。 v0.5.0： 延迟模型加载消除了冷启动延迟——嵌入模型仅在首次使用时加载。

\[！警告\] 如果你在冷启动后第一次打开人工智能客户端（OpenCode、Claude Desktop等）时看到大约30秒的延迟，那就是嵌入模型加载。跑 context-life warmup set startup 在MCP启动时对其进行预热，或 context-life prewarm 在打开你的客户之前。

通过文件哈希自动进行重复数据删除
令牌预算检索，跳过并继续打包
每个源块限制(max_chunks_per_source)
分数过滤(min_score)

缓存管理器

两级前缀分段以实现最佳缓存重用：

基础前缀：系统/开发人员说明（在各回合中稳定）
RAG前缀：注入的知识上下文（可能会改变）
当只有RAG更改时，保留基本前缀缓存
v0.5.0： 检测到AI编排器时注入顾问提示

上下文健康（v0.5.0）

实时诊断工具，根据以下内容计算健康评分（0-100）：

代币利用率（占预算消耗的百分比）
消息冗余（重复检测）
系统与用户比率（提示主导）
噪声估计（琐碎/空消息）

返回可操作的建议和编排器提示，以进行主动的上下文管理。

编排器检测（v0.5.0）

自动检测CL何时与Gentle AI或Engram等AI编排器一起运行：

环境变量: GENTLE_AI_ACTIVE, ENGRAM, MCP_ORCHESTRATOR
工作区工件: .gemini/, .gga, .agent/, .agents/
启用带有主动优化提示的“顾问模式”

编排器集成指南 --上下文流、温和的AI/SDD集成和适配器配置。

智能上下文优化（v0.7.1）

D4对每个提示进行评估，并将其分为轻/必需/关键：

光（置信度≥0.80）：提示清晰——继续，无需优化
必需（置信度0.55-0.79）：即时需求重组或上下文--呼叫 cache_context 仅在必要时
关键的 （任何冲突）：检测到矛盾-- 暂停并在继续之前解决

编排器同时接收传统合同(intent, keywords, advice)以及D4决定 d4{}，因此在获得智能路由的同时保留了现有的工作流程。

上下文优化逻辑 --业务规则、状态定义、置信阈值、HALT触发器和令牌成本分析。

自动调用上下文生命周期（v0.7.1）

情境生活实现了零步上下文生命周期——进行上下文优化 *之前* 任何核心代理任务执行：

单人代理（风帆、Codex、克劳德代码）：

唤醒（零步）: autoinvoke_context 被称为代理人思考之前的绝对第一令牌
睡眠（任务结束）: sleep_context 将学习内容持续传递给服务器
治理是通过 context-life 技能档案

编排器（温和的人工智能/定制 delegate()):

编排器将每个提示路由到 context-life-advisor 第一
顾问电话 autoinvoke_context 并返回a ContextPack 与地面真相
治理由编排器的路由规则处理

旁路： 集 DISABLE_AUTOINVOKE=1 在环境中禁用所有自动调用行为。

环境	治理	唤醒	睡眠
单人代理	技能档案	`autoinvoke_context` 作为步骤零	`sleep_context` 任务结束时
温和的ai/编曲 `delegate()`	编排器路由	`context-life-advisor` 子代理	通过编排器阶段处理
独唱经纪人(`DISABLE_AUTOINVOKE=1`)	无	无操作	无操作

编排建议（vNext）

Context Life现在为上游编排者公开了第一个明确的编排合同：

get_orchestration_advice 将健康+检测结合到可操作的后续步骤中
status://orchestration 宣传功能和推荐的工具流程
当前集成级别保持不变 启发式顾问 （还不是双向握手）

______________________________________________________________________

配置

Context Life使用三层配置系统：

内置默认值 --始终可用
配置文件 — ~/.config/context-life/config.toml （Linux/macOS）或 %APPDATA%\context-life\config.toml （Windows）
环境变量 — CL_* 前缀（最高优先级）

配置文件示例

[rag]
top_k = 5
min_score = 0.3
max_chunks_per_source = 3
chunk_size = 512
warmup_mode = "lazy"

[token_budget]
default = 128000
safety_buffer = 500

[trim]
preserve_recent = 6

[paths]
data_dir = "~/.local/share/context-life"

环境变量

export CL_RAG_TOP_K=10
export CL_RAG_WARMUP_MODE=startup
export CL_TOKEN_BUDGET_DEFAULT=64000
export CL_DATA_DIR=/custom/path

RAG预热模式

lazy *（默认）* --MCP启动速度快，但第一次RAG搜索/索引支付了模型加载成本。
startup --MCP启动较慢，因为模型在启动过程中进行了预热，但首次RAG使用更快。
manual --切勿自动预热；使用 context-life prewarm 或 prewarm_rag MCP工具，当你想明确地加热它时。

如果你不想记住命令，运行 context-life warmup interactive 或打开 context-life tui 并选择 RAG预热选择器从那里，您可以检查MCP冲击，在 lazy / startup / manual，并可选择立即触发手动预热。

______________________________________________________________________

发展

# Run with HTTP transport for testing
context-life serve --http

# Or from source
python -m mmcp serve --http

# Lint
ruff check mmcp/

# Test
pytest

# Skip slow RAG integration tests
pytest -m "not slow"

# Run performance-oriented smoke/stress tests
pytest -m performance

______________________________________________________________________

文档

文档	描述
上下文优化逻辑	智能提示优化系统的业务规则和行为（LIGHT/必需/关键状态、置信度评分、HALT治理）
编排器集成指南	Context Life如何与Gentle AI和其他编排器、上下文流和适配器配置集成
安装指南	所有平台（Scoop、uv、pipx、pip、Docker）的完整安装说明

需求

Python>=3.10
~500MB磁盘用于句子转换器型号（首次使用时下载一次）
无需GPU——在CPU上运行

许可证

MIT许可证

______________________________________________________________________

Built by Erick Guerrón

MCP Context Life

快速接入

详细介绍

什么是情境生活？

安装

使用Scoop（Windows--推荐）

使用紫外线（最快）

使用pipx

标准pip

安装配置文件

来源

码头工人

CLI命令

使用MCP客户端进行设置

开源代码

从TUI安装

克劳德桌面版

光标/风帆/双子CLI

特性

工具

资源

建筑

图层映射

运作原理

令牌计数器

修剪历史

RAG发动机

缓存管理器

上下文健康 *（v0.5.0）*

编排器检测 *（v0.5.0）*

智能上下文优化 *（v0.7.1）*

自动调用上下文生命周期 *（v0.7.1）*

编排建议 *（vNext）*

配置

配置文件示例

环境变量

RAG预热模式

发展

文档

需求

许可证

目录标签

接入字段

权限和风险

来源信息

继续浏览同类 MCP

上下文健康（v0.5.0）

编排器检测（v0.5.0）

智能上下文优化（v0.7.1）

自动调用上下文生命周期（v0.7.1）

编排建议（vNext）