上下文工程即架构:650个文件之后的实践
我的CLAUDE.md最初只有50行。六个月后,它已经演变成一个横跨七层的650文件分布式架构。这一演变揭示了一个事实:上下文工程不是”文件更多的提示词工程”,而是面向一种特殊基底的软件架构,在这个基底上,记忆随着每个token的消耗而衰减。
上下文决定了AI代理能思考什么、记住什么、遗忘什么。所有其他设计决策都处于它的下游。以下是六个月的Claude Code生产级上下文工程实践:架构设计、失败教训,以及最终存活下来的系统。
面向AI代理的上下文工程,是设计这样一种系统的实践:在正确的时机把正确的指令交给代理,同时确保无关的指令根本不会被加载。 它远不止于写好一个提示词文件,而是需要一套分层架构,让规则、技能、钩子、配置和状态文件各自在特定的生命周期事件中加载。排除什么与包含什么同样重要,因为每一个无关的token,都会挤占代理为保证正确性而真正需要的上下文。
摘要
Böckeler在martinfowler.com上发表的上下文工程文章(2026)1和Miessler的清晰思维框架2推进了这一讨论,但两者都低估了生产环境的实际需求。上下文工程要求设计这样一个系统:正确的指令在正确的时机到达代理,而错误的指令永远不会被加载。我的系统使用了9条规则、40个技能、19个代理、84个钩子和14个配置文件,分布在七层层级结构中。架构的精髓在于哪些文件在何时加载。排除什么与包含什么同样重要。
上下文不是一个文件
每周都会出现的”如何编写CLAUDE.md”文章忽略了关键问题。编写一个好的CLAUDE.md是必要的但不充分的,正如编写好的代码对于构建好的系统来说是必要但不充分的一样。架构是决定组件如何交互的结构。在代理系统中,上下文就是这个结构。
从50行起步的文件,最终膨胀成了一个单体:我的第一个CLAUDE.md有200行,涵盖了编码标准、项目结构、偏好设置、纠错规则、设计哲学、凭据管理和活跃项目状态。它工作了一个月。然后三个问题同时出现:
- 文件增长超过300行后开始自相矛盾(规则A说”保持简洁”,规则B说”添加完善的错误处理”)
- 项目A的上下文泄漏到了项目B(iOS专用规则污染了Web开发会话)
- 代理花费token阅读与当前任务无关的指令
这些症状指向的是架构问题,而非文档问题:耦合、作用域泄漏和资源浪费。驱动软件架构决策的正是这些相同的力量。3
七层架构
经过六个月的重构,我的上下文系统稳定为七层层级结构。每一层都有明确的用途,并在特定时机加载:
| 层级 | 内容 | 加载时机 | 数量 |
|---|---|---|---|
| 1. 核心层 | CLAUDE.md:设计哲学、活跃项目、纠错规则 |
每次会话启动 | 1个文件,205行 |
| 2. 规则层 | 领域特定约束(API设计、安全、测试、Git) | 每次会话启动 | 9个文件 |
| 3. 技能层 | 可复用的知识模块,包含流程和示例 | 按需加载(手动调用或由钩子自动激活) | 40个目录 |
| 4. 代理层 | 专用审查器/生成器规范 | 按需加载(通过Task工具) | 19个文件 |
| 5. 钩子层 | 在生命周期事件中自动注入上下文 | 事件驱动(会话启动、提交前、工具调用后) | 84个脚本 |
| 6. 配置层 | 数值参数(阈值、预算、限制) | 被钩子和技能引用 | 14个JSON文件 |
| 7. 状态层 | 实时追踪(代理血统、置信度校准、成本) | 被钩子引用 | 36个文件 |
关键洞察在于层级分离。规则普遍适用,因此每次会话都加载。技能针对特定领域,因此按需加载。钩子对时机敏感,因此在事件发生时触发。如果在会话启动时加载全部650个文件,代理还没读到第一条用户消息,上下文窗口就已经耗尽了。4
每一层的具体示例:
Layer 1 (Core): ~/.claude/CLAUDE.md — philosophy, active projects, corrections
Layer 2 (Rules): ~/.claude/rules/security.md — "Validate ALL user input at boundaries"
Layer 3 (Skills): ~/.claude/skills/fastapi/SKILL.md — endpoint patterns, Pydantic models
Layer 4 (Agents): ~/.claude/agents/security-reviewer.md — OWASP-focused review spec
Layer 5 (Hooks): ~/.claude/hooks/pre-commit-check.sh — blocks commits with TODO/FIXME
Layer 6 (Config): ~/.claude/config/thresholds.json — {"max_spawn_children": 12}
Layer 7 (State): ~/.claude/state/agent-lineage.json — tracks active agent tree
层级结构中的每个文件都只承担单一职责,并有明确的加载触发条件。钩子(第5层)无论项目类型如何都会在提交前触发。技能(第3层)只在FastAPI任务开始时加载。这种区分决定了token成本。
塑造架构的三次失败
失败1:单体式CLAUDE.md
我最初的CLAUDE.md把iOS规则、Web规则、API设计模式、Git约定、凭据管理和设计哲学原则全部放在一个文件里。代理每次会话都会读取全部内容,即使是在构建一个永远不会涉及SwiftUI的Web项目时也不例外。
代价: 无关上下文每次会话估计消耗约4,000个token。50次会话下来,总计约200,000个token花在了代理从未使用的指令上。
修复: 将领域特定内容提取到rules/文件中。rules/security.md每次会话都加载(安全适用于所有场景)。rules/ios-security.md仅在会话涉及iOS项目时加载。推动这一决策的token经济学详见上下文窗口管理一文。
失败2:过时的技能
我创建了一个fastapi技能,其中的示例来自FastAPI 0.109。三个月后,项目已经使用模式不同的FastAPI 0.115。这个技能悄无声息地传授着过时的约定。代理生成的代码可以运行,却与当前代码库不一致。
代价: 一次45分钟的调试,只为追查一个新端点为何使用了与其他所有端点都不同的依赖注入模式。这个模式来自过时的技能,而不是代码库。
修复: 技能引用带版本号的文档,并标注”最后验证日期”。更重要的是,质量循环要求生成的代码必须与现有代码库模式一致,这是一种元认知检查,无论技能内容如何,都能发现过时技能造成的偏移。
失败3:不同层级的规则冲突
CLAUDE.md说”优先选择简单的解决方案”。某个技能说”添加包含重试逻辑和熔断器的完善错误处理”。单独看,两者都合理。但放在一起,就会因代理在某一轮中更看重哪条指令而产生不一致的输出(有时极简,有时过度设计)。
代价: 输出质量不可预测。同一类任务在不同会话中产生不同的质量水平,使系统变得不可靠。以下是实际发生冲突的指令:
# In CLAUDE.md (Layer 1):
- Prefer simple solutions. Avoid over-engineering.
# In skills/fastapi/SKILL.md (Layer 3):
- Add thorough error handling with retry logic and circuit breakers
for all external API calls.
单独看,两者都没错。”优先选择简单的解决方案”是很好的通用建议。”为外部调用添加重试逻辑”是很好的领域特定建议。但同时读到两者的代理,有时会省略重试逻辑(遵循简洁原则),有时又会把一个简单函数过度设计(遵循错误处理指令)。
修复: 建立明确的优先级层级。CLAUDE.md设定原则(”优先简洁”)。规则设定约束(”验证所有用户输入”)。技能设定流程(”这是构建FastAPI端点的方法”)。发生冲突时,更具体的层级胜出:在技能覆盖的特定任务中,技能的流程覆盖原则的指导。这种解决方式与编程语言处理作用域的方式如出一辙:局部覆盖全局。5 针对上面的例子,修复方法是给技能加上限定语:”为外部API调用添加重试逻辑(对于依赖网络的代码,此条覆盖通用的简洁原则,因为外部调用会间歇性失败,重试并不属于过度设计)。”
上下文预算作为架构约束
上下文窗口并非无限。Claude的标准200K token上下文窗口6听起来很大,直到您去衡量是什么在消耗它。(通过API请求头可以使用1M token的测试版,它会按比例扩大预算,但并不会消除权衡:加载650个文件,即便是1M token也会耗尽。)
| 消耗来源 | 典型token数 | 占窗口百分比 |
|---|---|---|
| 系统提示 + CLAUDE.md + 规则 | 8,000-12,000 | 4-6% |
| 对话历史 | 20,000-80,000 | 10-40% |
| 文件读取(每个文件) | 5,000-20,000 | 2.5-10% |
| 工具输出(每次调用) | 1,000-10,000 | 0.5-5% |
| 技能/代理上下文(按需加载) | 3,000-15,000 | 1.5-7.5% |
token消耗数据来自我在2025年8月至2026年2月间追踪的50次Claude Code会话。7 一次90分钟的高强度会话,仅靠常规的文件读取和工具交互就可能耗尽窗口。请注意,200K窗口是输入总容量;模型的有效注意力(即它能以高保真度关注的部分)是另一个更小的数字。即使总token用量远低于上限,上下文预算的纪律依然重要,因为在长上下文中,位于开头的指令比位于中间的指令能得到更可靠的关注。上下文预算迫使我们做出架构上的权衡:
始终加载: 核心设计哲学、当前纠错规则和安全规则。三者成本都很低(预算的4-6%),且普遍适用。在不需要时加载它们,代价可以忽略不计;在需要时缺少它们,代价是错误的输出。
按需加载: 技能、代理规范和参考文档。每个技能消耗窗口的5-15%,且只适用于单一领域。只在相关时加载,才能为实际工作保留预算。加载技能的触发条件是任务类型,而不是会话类型:一个遇到数据库迁移的Web开发会话,即使启动时没有加载数据库技能,此时也需要它。
永不加载: 过时的交接文档、已弃用的配置和历史状态。每个过时文件都在消耗预算,却不会改善输出。更糟的是,过时的上下文会传授过时的模式,主动拉低输出质量。复利工程模式要求定期修剪那些已不值其token成本的上下文。
上下文预算管理与传统软件中驱动数据库索引、缓存策略和内存管理的权衡如出一辙。8 约束不同(token而非字节),但架构纪律完全相同。
多代理系统中的上下文传播
当主代理通过Task工具派生子代理时,选择传播哪些上下文会驱动其他所有设计决策。我的多代理审议系统使用10个研究代理。每个代理都需要足够的上下文来独立评估,但共享的上下文过多,就会引发boids一文中记录的收敛问题:共享过多上下文的代理会得出完全相同的结论。
传播规则:
| 上下文类型 | 是否传播? | 原因 |
|---|---|---|
| 核心设计哲学 | 是 | 保持代理间一致性 |
| 领域规则 | 是 | 共享质量标准 |
| 任务特定指令 | 是 | 实际工作内容 |
| 对话历史 | 否 | 独立性需要隔离 |
| 其他代理的发现 | 否(直到综合阶段) | 防止过早收敛 |
| 技能流程 | 选择性传播 | 仅传播与代理角色相关的技能 |
Ralph架构解决的是一个相关问题:跨时间(迭代)而非跨代理(并行进程)的上下文传播。两者遵循同一原则:传播约束和原则,隔离实现细节。
传播实践
一个具体的例子能让这种权衡更清晰。当主代理派生一个安全审查子代理时,Task提示中包含:
## Propagated Context
- Core philosophy: Quality is the only variable (from CLAUDE.md)
- Security rules: OWASP Top 10, input validation at boundaries (from rules/security.md)
- Task: Review the authentication endpoint changes in app/auth.py
## NOT Propagated
- The main agent's conversation history (50+ messages about UI layout)
- Findings from the architecture reviewer (would bias security analysis)
- The FastAPI skill (irrelevant to a security-focused review)
安全审查代理收到的上下文是2,000个token,而不是40,000个。它依据安全标准评估代码,既不会被UI方面的决策分散注意力,也不会受到其他代理结论的影响。这种隔离带来了独立的评估。如果安全审查代理和架构审查代理各自独立地指出了同一个问题,那么这一发现的可信度,要高于一个审查者看过另一个的报告后才表示同意的情况。
观察上下文质量
token数量只是一个代理指标。衡量上下文质量的真正标准是:代理能否在第一次尝试时就给出正确的输出?
追踪50次会话后,我识别出三个质量信号:
首次成功率。 代理的第一次回应无需修正的比例有多高?使用单体式CLAUDE.md时,这一比例约为60%。采用七层架构后,上升到约80%。改进来自移除无关上下文(干扰更少)和添加领域特定技能(相关知识更多)。9
下面是追踪日志中一个有代表性的前后对比。任务完全相同:”为一个API端点添加速率限制。”
之前(单体式CLAUDE.md,2025年7月)。 代理的第一次回应引入了一个项目中并未使用的速率限制库(它照搬了过时FastAPI技能中的示例,而这个技能是和iOS规则、安全规则以及150行无关内容一起加载的)。修正意见是:”使用app/middleware.py中已有的RateLimiter类。”一次修正,归类为”事实错误:缺少代码库上下文”。
之后(七层架构,2025年11月)。 同类任务,不同的端点。代理的第一次回应使用了现有的RateLimiter中间件,遵循了相邻端点的参数命名约定,并注明了模式来源:”遵循app/middleware.py:42中的速率限制模式。”无需修正。FastAPI技能(第3层)按需加载,内容是最新的模式;由于会话不涉及任何iOS工作,iOS规则没有加载。
如果您想自己追踪:在每次代理会话的第一次回应之后,在日志中标记”接受”或”修正”,然后每月计算一次比例。粒度不必精确,20次以上会话的方向性趋势比精确的百分比更有用。
修正类型。 当代理确实需要修正时,错误是事实性的(错误的API、错误的模式),还是判断性的(错误的方法、错误的优先级)?事实性错误说明上下文缺失:代理缺少给出正确答案所需的信息。判断性错误说明上下文存在冲突或歧义:代理掌握了信息,却对相互竞争的指令赋予了错误的权重。这一区分之所以重要,是因为修复方式不同:事实性错误需要补充上下文(新增规则或技能),判断性错误则需要澄清上下文(化解现有层级之间的冲突)。追踪修正类型可以揭示哪一层需要关注。
任务完成时的上下文压力。 任务完成时,还剩多少上下文预算?如果任务还没完成一半,窗口就已经用掉了90%,说明上下文架构加载了过多无关材料。我的钩子系统包含一个上下文压力监控器,在使用率超过70%时发出警告。
会话全程演示:何时加载什么
通过一个具体的流程,可以清楚地看到七个层级在真实任务中如何协同。场景是:我在blakecrosley.com项目中让Claude Code”为/api/ab/event端点添加速率限制”。
会话启动(0秒)。 Claude Code加载第1层(CLAUDE.md,205行,约800个token)和第2层(全部9个规则文件,约3,200个token)。消耗的上下文总计约4,000个token(200K窗口的2%)。此时,无论我要求它做什么,代理都已了解我的编码哲学、安全要求、API设计约定和Git工作流。
任务开始(2秒)。 代理读取任务,判断这是一次FastAPI端点修改。第5层(钩子)触发:UserPromptSubmit钩子注入当前日期和会话上下文(约200个token)。代理不会加载SwiftUI技能、iOS安全规则或Midjourney提示词技能。这些文件存在,但与任务无关。排除它们节省了约8,000个token。
文件读取(5-30秒)。 代理读取app/main.py、现有端点代码和测试文件。每读取一个文件消耗5,000-15,000个token的上下文。读完三个文件后,约消耗30,000-50,000个token(窗口的15-25%)。
技能激活(如有需要)。 如果代理需要FastAPI特定的模式,它会加载第3层(skills/fastapi/SKILL.md,约2,500个token)。技能之所以加载,是因为任务需要它,而不是因为会话开始了。如果这是一个只涉及CSS的任务,FastAPI技能永远不会加载。
实现与验证(30秒-5分钟)。 代理编写代码、运行测试并报告结果。任务完成时,上下文消耗通常为60,000-100,000个token(窗口的30-50%)。剩余预算足以应对后续提问、修正,或在同一会话中处理第二个任务。
关键观察在于:第1层和第2层消耗窗口的2%,适用于每一项任务。第3至7层的内容选择性加载,仅在相关时消耗5-25%。如果在会话启动时加载全部650个文件,将消耗约150,000-200,000个token,几乎不给实际工作留下任何空间。
分布式架构模式
七层系统中没有任何东西是AI代理所独有的。它映射的是成熟的软件模式:
| 软件模式 | 上下文等价物 |
|---|---|
| 环境变量 | 核心CLAUDE.md(始终加载,全局生效) |
| 配置文件 | 规则(启动时加载,领域特定) |
| 库/模块 | 技能(按需加载,自包含) |
| 微服务 | 代理(隔离运行,通过协议通信) |
| 事件处理器 | 钩子(由生命周期事件触发) |
| 数据库 | 状态文件(持久化,可查询) |
| API契约 | 配置模式(共享数值参数) |
这种对应并非比喻。相同的力量(耦合、内聚、作用域、生命周期)驱动着相同的架构决策。10 上下文工程,是面向这样一种基底的软件工程:”内存”是一种稀缺且会衰减的资源,而非充裕且持久的资源。11
这一架构的独立佐证来自obra/superpowers项目。该项目为Claude Code的上下文独立演化出了类似的多层结构:全局文件中的核心原则、按需加载的领域技能,以及与行为指令相分离的验证流程。12 这种殊途同归表明,分层架构并非一种个人化的设计选择,而是对基底约束的自然回应。
核心要点
致构建代理系统的工程师:
-
像设计软件架构一样设计上下文,而不是像写文档一样。 什么在何时加载、什么覆盖什么、什么传播给子代理,这些对代理行为的影响超过任何单条指令。请运用您在代码中使用的同样的关注点分离原则。
-
按生命周期分离层级。 通用规则每次会话都加载。领域特定知识按需加载。每次会话的状态保持临时性。在一个文件中混合不同的生命周期,会造成软件架构本来就是为了解决的耦合问题。
致扩展AI工作流的团队:
-
将上下文窗口视为预算。 系统提示、文件读取和工具输出消耗着200K token的窗口。每条持久化指令都在与工作记忆竞争。衡量您加载的内容,修剪不值其token成本的部分。
-
传播规则决定多代理系统的质量。 子代理需要共享原则来保持一致性,需要隔离状态来保持独立性。传播过多上下文会导致收敛,传播过少则会导致不一致。
练习:审计您的上下文系统。 创建以下目录结构,并把现有的指令分门别类放进去:
mkdir -p .claude/{rules,skills,agents,hooks,config,state}
# Move domain-specific sections from CLAUDE.md into rules/
# Move reusable procedures into skills/
# Move agent specs into agents/
然后回答:哪些每次会话都加载的文件应该改为按需加载?缺少哪些按需加载的文件?用一份简单的日志记录答案:为每次会话标记”首次即正确”或”需要修正”,20次会话后复盘这一比例。
常见问题
应该如何为AI编程代理组织上下文文件?
当领域特定内容超过20-30行,并且至少在部分会话中毫不相关时,就把它提取到单独的文件中。如果把iOS专用规则和Web专用规则写在同一个CLAUDE.md里,代理无论当前是什么项目都会把两者都读一遍。通用约束(安全规则、编码标准、设计哲学原则)保留在核心文件中。领域特定模式(FastAPI端点、SwiftUI约定、数据库查询)则移到按需加载的文件中,只在任务需要时加载。
如何判断一个技能已经过时?
有两个信号:代理生成的代码能运行,却与当前代码库的模式不一致;或者代理引用了某个框架旧版本中的API或模式。为每个技能添加”最后验证日期”,并按季度检查。更重要的是质量循环(生成的代码是否与现有模式一致?),无论技能内容如何,它都能发现过时技能造成的偏移。
上下文预算多大才合适?
对于200K token的窗口,为系统提示和规则(始终加载)预留4-6%,为对话历史和文件读取(实际工作)留出40-60%,为按需加载的技能和代理上下文分配10-15%。如果任务还没完成一半,上下文压力就超过了70%,说明您加载了过多无关材料。具体比例取决于任务的复杂度:多文件重构比单个函数的缺陷修复消耗更多上下文。
如何处理不同层级之间相互冲突的指令?
采用基于作用域的优先级:更具体的层级胜出。技能(局部作用域)覆盖规则(模块作用域),规则覆盖CLAUDE.md(全局作用域)。发现冲突时,应把解决方式写明,而不是依赖模型以概率方式自行化解。在更具体的层级中加一条说明:”在此特定上下文中,由于Y,本条覆盖X这一通用原则。”
本文建立在上下文窗口管理(token经济学)和Ralph系统(文件系统记忆)的基础之上。Claude Code钩子系统实现了自动化层。关于代理协调模式,请参阅多代理审议和从Boids到代理。
-
Birgitta Böckeler,”Context Engineering for Coding Agents”,martinfowler.com,2026年2月。martinfowler.com/articles/exploring-gen-ai/context-engineering-coding-agents.html。Böckeler的同事Bharani Subramaniam将上下文工程定义为”策划模型所看到的内容,以获得更好的结果”。这个定义是正确的。本文认为,信息如何被组织和交付的结构是一门架构学科,而非文档编写工作。 ↩
-
Daniel Miessler,”How to Talk to AI”,danielmiessler.com,2025年6月。danielmiessler.com/blog/how-to-talk-to-ai。Miessler认为,提示词工程和上下文工程背后的真正技能是清晰思维:准确表达自己想要完成什么的能力。这一框架与本文互补,本文聚焦于组织上下文的结构化纪律,而非如何清晰地思考上下文。 ↩
-
与软件架构的类比是有意为之。Robert C. Martin,Clean Architecture: A Craftsman’s Guide to Software Structure and Design,Prentice Hall,2017,第三部分(Design Principles)和第五部分(Architecture)。Martin指出了同样的力量:耦合、内聚和关注点分离。AI上下文系统的不同之处在于,”内存”是短暂且有界的,这增加了传统架构所不面临的约束。 ↩
-
650个文件这一数字是作者截至2026年2月的统计。全局上下文:约400个文件(规则、技能、代理、钩子、配置、状态、文档、交接文档)。项目特定上下文(blakecrosley.com):约250个文件(PRD、文档、计划、工作流、i18n配置)。每次会话只加载其中一小部分。 ↩
-
编程语言中的变量作用域解析(局部、嵌套、全局、内置)是最直接的类比。Python的LEGB规则定义了相同的层级:局部作用域、嵌套函数作用域、全局作用域、内置作用域。参见Python Software Foundation,”Execution Model”,第4.2.2节,”Resolution of names”。docs.python.org/3/reference/executionmodel.html。技能(局部作用域)覆盖规则(模块作用域),规则覆盖CLAUDE.md(全局作用域)。由于LLM的指令遵循是概率性的而非确定性的,这个类比略有局限,但架构原则依然成立。 ↩
-
Anthropic,”Models overview”,platform.claude.com,2025年。platform.claude.com/docs/en/docs/about-claude/models。当前所有Claude模型(Opus 4.6、Sonnet 4.6、Haiku 4.5)均标明200K token的上下文窗口,其中Opus 4.6和Sonnet 4.6在测试版中支持1M token。 ↩
-
token消耗数据来自我在2025年8月至2026年2月间追踪的50次Claude Code会话。完整方法论请参阅上下文窗口管理。 ↩
-
token预算与内存层级之间的类比,遵循Hennessy, J.L.和Patterson, D.A.,Computer Architecture: A Quantitative Approach,第6版,Morgan Kaufmann,2017,第2章(Memory Hierarchy Design)中的框架。Hennessy和Patterson对缓存层级、访问局部性以及不同层级内存访问成本的论述,可直接映射到上下文工程:频繁需要的上下文(L1缓存 / 核心规则)加载最快,而很少需要的上下文(磁盘 / 按需加载的技能)只在被引用时才加载。 ↩
-
首次成功率是一个粗略指标,基于作者对第一次回应是否需要修正的主观判断。这并非对照实验。方向性的改进(从60%到80%)在各类会话中都保持一致,但不应作为精确测量结果引用。 ↩
-
James Lewis和Martin Fowler,”Microservices”,martinfowler.com,2014年3月。martinfowler.com/articles/microservices.html。Lewis和Fowler将微服务定义为”一组小型服务,每个服务运行在自己的进程中,并通过轻量级机制进行通信”。他们指出的力量(独立部署、去中心化治理、限界上下文)可直接映射到本文所述上下文架构中的代理隔离和基于协议的通信。 ↩
-
“上下文即架构”这一框架借鉴自Xu et al.,”Everything is Context: Agentic File System Abstraction for Context Engineering”,arXiv,2025年12月。arxiv.org/abs/2512.05470。该论文提出了一种用于管理生成式AI系统上下文的文件系统抽象,将各类知识制品、记忆和工具视为token约束下的上下文。这一理论框架支持本文所述的实践架构。 ↩
-
obra/superpowers,github.com/obra/superpowers。superpowers项目将代理上下文组织为核心指令、按需加载的技能和验证流程,尽管是独立开发的,这一结构却与本文所述的七层架构不谋而合。这种殊途同归支持了这样一个论点:分层上下文是对有界上下文窗口的一种自然的架构回应。 ↩