AI Agent 继续往真实工作流里走，但它真正缺的不是"再来一个聊天入口"，而是两类底座能力：一类是上下文底座，另一类是研究底座。

今天选两个项目，都在处理 Agent 落地后的"脏活"：

• context-mode：处理上下文窗口被工具输出淹没的问题
• local-deep-research：处理深度研究从搜索、引用到本地知识库的闭环问题

这两个项目今天在 GitHub Trending 上合计新增 473 star。数字不如榜首夸张，但方向很值得看：Agent 的竞争正在从"模型会不会回答"，转向"系统能不能持续、可控、低成本地工作"。

项目一：CONTEXT-MODE

GitHub 地址：https://github.com/mksglu/context-mode

今日单日新增 +276 stars，总 star 约 13.4k。

核心问题

现在 AI 编程工具里一个很真实的问题：很多时候，不是模型不够聪明，而是上下文被工具输出污染了。

README 里举的例子很典型：一次 Playwright snapshot、几十个 GitHub issues、一段访问日志，都可能把大量原始文本塞进上下文。

短期看只是"贵一点、慢一点"，长期看会导致 agent 更早压缩对话，也更容易忘记刚刚改了哪些文件、任务走到哪一步、用户最后确认了什么。

解法

context-mode 的解法不是简单压缩摘要，而是把原始输出挡在上下文窗口外：

技术方案	说明
沙箱子进程	工具在隔离环境里执行
SQLite/FTS5 索引	原始数据被索引存储
模型只拿摘要	只获取 BM25 检索出来的相关片段

项目还强调把文件编辑、git 操作、任务、错误和用户决策都记录下来，让会话压缩后仍能找回关键状态。

另一个重要判断：不要让 LLM 当数据处理器，要让它写代码来处理。

项目二：LOCAL-DEEP-RESEARCH

GitHub 地址：https://github.com/LearningCircuit/local-deep-research

核心问题

深度研究时，AI 需要：

• 搜索多个来源
• 引用和验证信息
• 访问私有资料
• 选择合适的模型
• 控制隐私边界

但这些能力往往分散在不同的工具里，没有一个闭环。

解法

local-deep-research 提供了一套本地化的深度研究闭环：

功能模块	说明
本地搜索	不依赖云端搜索 API
私有知识库	支持本地文档索引
引用追踪	记录每条信息的来源
模型选择	根据任务复杂度选择合适模型
隐私控制	数据不出本地

适用场景

场景	说明
技术调研	本地文档 + 网络搜索
市场分析	私有数据 + 公开资料
竞品研究	多源引用 + 本地整理
论文写作	文献管理 + 引用追踪

两个项目的共同信号

信号	说明
从模型到系统	竞争焦点从"模型能力"转向"系统可靠性"
上下文管理	清理上下文比扩充上下文更重要
本地化趋势	数据隐私和成本控制推动本地化方案
可观测性	让 Agent 工作过程可追溯、可控

一句话总结

Agent 竞争的下一战场不在模型层，而在底座层。context-mode 和 local-deep-research 在补真正的地基：上下文管理和研究闭环。