每次对话过程中，并不会只发当次的问题，而是会自动把之前的整段对话历史一起发送出去，所以模型每次看到的都是完整的对话内容。上下文（Context）即是大模型每次处理任务时所接收到的信息总和。

上下文包括用户问题和对话历史、大模型正在输出的 Token、工具列表、System Prompt等信息。上下文窗口（Context Window）指的是上下文能容纳的最大「Token数量」。100万 Token 大约是 150 万个中文汉字，相当于一篇长篇小说的内容。

如果我们有庞大的数据资料，远超上下文窗口的容量限制，需要 AI 从中找到与我们问题相关的内容作为依据进行回答，则需要搭建 RAG 知识库（Retrieval-Augmented Generation，检索增强生成），让模型在回答问题之前，先从海量文档中检索出相关事实，然后再基于这些事实生成答案。这样可以有效缓解大模型时效性不足以及幻觉问题。

上下文的限制是我们要做subagent、skill等机制最重要的原因。

想让 CC 更懂你的习惯、不用每次都重复交代，有三条路，由浅入深：写一份"规则说明书"（CLAUDE.md）、让它自动把偏好记下来（Auto-memory）、把整套固定流程封装成技能（Skill）。

第一条，CLAUDE.md，相当于 CC 的"规则说明书"——每次开工它都先读一遍，把里面的话当默认约定照做。它分两级：全局级放在 ~/.claude/CLAUDE.md，对你电脑上所有项目都生效，适合写通用习惯，比如"始终用中文回复""汇报先给结论再展开"；项目级放在具体项目的根目录，只对当前这个项目生效，适合写项目专属的规矩，比如技术栈、目录结构、代码风格。项目级这份还能跟着代码一起提交到 Git，团队每个人拉下来就共享同一套规则，省掉口头对齐。写法就是大白话，想到一条写一条，写得越具体 CC 越照做。

第二条，Auto-memory（自动记忆）。CLAUDE.md 要你自己动手写，Auto-memory 则是让 CC 在聊天里自动把你透露的偏好存下来——你随口说一句"我喜欢深色主题""以后测试都用 pytest"，它就记住，下次自动遵守，不用你反复交代；哪条不想要了，也能让它改掉或忘掉。可以这么理解：CLAUDE.md 是你正式、成体系地立规矩，Auto-memory 是日常边用边攒的零散偏好，两者叠加，CC 就越用越顺手。

第三条，自行构建技能，也就是subagent、Skill。当某一类活儿有一套固定的步骤和讲究——比如"每次写周报都要按固定格式、从这几处取数、最后同步到飞书"——与其每次靠聊天反复交代，不如把整套流程封装成一个 Skill，用时一句话唤起，CC 就照里面写好的规程一步步跑完。一句话区分：CLAUDE.md 管"约定"，Skill 管"流程"；前者是时时生效的背景规则，后者是需要时才唤起的标准作业。

三者怎么选：一句话的通用习惯写进全局 CLAUDE.md；项目专属规矩写进项目级 CLAUDE.md 并提交 Git 团队共享；懒得动手、想让它自己记的零散偏好交给 Auto-memory；只有那种有固定步骤、要反复跑的成套任务，才值得花力气封装成 Skill。按需要从小往大加就行，不用一上来就上重的。

保护上下文的几个技巧：

1. 大多数情况下，对于一兆的上下文，我们使用1/3左右就差不多了，就可以考虑切换回话、压缩（/compact）或者清除上下文（/clear）。

2. claude.md中只写最关键的的那东西，删除不必要的mcp、skill，定期清理记忆。