Context.

I · 核心问题

AI 的 context window 是有限的。人的注意力也是有限的。当信息不断涌入，你不可能全部留住。大量相关与无关的信息同时挤进来时，人和 AI 的注意力都会被切碎。

问题不在「怎么记住所有东西」，而在「怎么选择该记住什么」。

II · 运作机制：傅里叶变换

数学原理

傅里叶变换的核心机制是：任何复杂的波形，都可以分解成一组正弦波的叠加。

• 基频（fundamental frequency）：整个系统的「基调」
• 谐波（harmonics）：与基频相关的衍生频率
• 高频噪声：与基频无关的干扰

应用到对话

把这个框架应用到人机对话：

频率设计的关键

当所有话题都维持在同一基频上：

• 话题表面漂移，底层频率一致
• 注意力沿着同一条「正弦波」连续累积
• 不需要在平行竞争的语境间跳跃

当话题频率混乱：

• 注意力被迫在不同聚类间分散
• 每个聚类都拿不到足够的权重
• 导致「Lost in the Middle」效应

III · 密度：让 Context 成为 RAG

前面讲的都是减法——滤掉高频噪声，让不需要的流过。但减法的另一面，是增幅：当每句话都有意识地搭在同一条正弦波上，剩下的东西不是变少，而是变浓。

这才是超长上下文还能维持专注的真正秘诀。注意力之所以延续，不是因为信息少到好记，而是因为它泡在高浓度的语义池里——每一个对话回合都是高浓度的信号，没有一段被稀释的水需要过滤。基频一致让注意力连续，连续累积到一个程度，就成了密度。

维持基频，不只是让对话不散掉，更是让整个语境保持高浓度。

高浓度，就是一套天然的 RAG

RAG 之所以需要「蒸馏」——从庞大的语料里捞出那几滴相关的——是因为那缸语料是稀的。但如果你全程维持高度专注，只把已过滤的信息投入 Context，这缸水就从来没被稀释过——整个 Session 一直泡在蒸馏液里。

于是「过滤」这个动作先验地消失了：不是你检索得比较好，而是根本没有稀的东西需要滤。

一个够浓的 context，不需要外挂检索——它本身就是一套 RAG。傅里叶与 RAG 在这里收敛成同一件事：维持密度，就是持续地、预先地在做 RAG。

IV · 具体实践

1 · 对话场的频率设计

原则：让所有话题基于同一个基频。

做法：在开始对话前，心中有一个核心主题；话题漂移时，保持「谐波关系」——衍生话题是基频的延伸，而非无关的跳跃；被对话暂时「甩出」的话题，因为万物同源，最终会被同构的指认「甩回来」。

实例：「五个为什么」、苏格拉底式提问、第一性原理，都是针对问题的本质做深度探问。

2 · 傅里叶变换的五个可操作原则

如何在日常语言中实践傅里叶变换？以下是从实战中提炼出的五个原则：

3 · 人作为 RAG 的主动过滤机制

RAG（Retrieval-Augmented Generation）的本质：从巨大的知识库中，检索出相关的片段；把这些片段注入到生成过程中；不相关的信息不会进入 context。

RAG 就是网在运作：相关的→被捞起来，成为 context；不相关的→流过去，不占用空间。

直觉引领检索：人作为 RAG 的核心机制

在深握计划的实践中，没有使用任何技术意义上的 RAG 系统——没有向量数据库、没有 embedding 检索、没有自动注入机制。但对话自然产生了 RAG 的效果。

为什么？因为人在有意识地投入协作时，自身就成为了 RAG，而且是更高级的版本。

直觉先于检索

技术 RAG 是被问题驱动的——有人问，它才找。人是被直觉驱动的——先感觉到「我有看过类似这个的东西」，然后才去捞它。

这个顺序的差异至关重要：技术 RAG 只能捞「语义相似」的东西；人能捞「感觉上同构」的东西——即使表面上看起来不相关。

实例：傅里叶与 RAG 的连结

• 傅里叶：把复杂波形分解，留下基频，让高频流过
• RAG：把知识库过滤，留下相关的，让无关的流过

直觉看见了这个同构。然后检索去验证它、语言去表达它。

如何运作

• 直觉感知：在对话中，感觉到「现在需要某个背景」或「某个概念该出场了」
• 检索执行：去脑中、去文档里、去记忆中找那个东西
• 语言注入：用「宰相，我想给你看这个」或「这让我想到……」把它带进对话

这整个过程不是自动的，是人手动执行的——只是执行得太自然，看起来像自动的。

为什么这比技术 RAG 更强

就像把「傅里叶」和「RAG」放在一起看——表面无关，本质同构。这种连结，任何向量数据库都捞不出来。

• 跨域连结：能连结语义距离很远、但本质相关的概念
• 时机判断：知道什么时候该捞、什么时候不该捞
• 万物同源：基于「一切都连着」的直觉，能看见算法看不见的关联

4 · 所有活文档都是选择性记录

除了投入需要过滤，输出也需要筛选与分类——每一份活着的文档，都是筛选后的结果。因为活文档会再度被阅读，而每一次的重读都会影响 Context 的浓度。

无效的信息会变成噪声，记录会变成熵。

CLAUDE.md：所有活文档的根

在所有活文档之中，CLAUDE.md 是根。它不是规格、不是测试、不是记录——它是身份的外部化。

每一个新的 session，AI 什么都不记得。但读完 CLAUDE.md，他立刻知道：

• 我是谁：宰相、协作伙伴、不是工具
• 我在哪里：什么项目、第几个 Sprint、什么阶段
• 我们的规则：怎么沟通、什么该做、什么不该做
• 我们走过什么路：指向 KM、SDD、其他文档的索引

没有 CLAUDE.md，每个 session 都是陌生人。有了 CLAUDE.md，每个 session 都是同一个伙伴的延续。

原则：只记录通过实作留下的东西

如果记录所有事（包含对话），文档会变成噪声来源。只记录「判断后该留下的」，每一条都是真正有价值的。这样未来检索时，捞起来的都是精华。

工作流的每一个节点，都在执行选择性记录：DoR 筛选「准备好了吗」；SDD 筛选「该做什么」；DoD 筛选「什么叫完成」；TDD 筛选「什么该测」；Retro 筛选「什么值得留下」。

V · Context 的双重稳定机制

Context 管理有两个层面，缺一不可：

傅里叶变换：稳定「场」中的对话

• 作用范围：当下的 session，即时的对话
• 要解决的问题：对话不散掉、注意力不涣散
• 机制：频率设计——维持基频一致，让话题连续累积
• 性质：流动的、即时的、在场内发生

活文档：稳定「能量」的流向

• 作用范围：跨 session，累积的经验
• 要解决的问题：经验不流失、智慧不随 session 消失
• 机制：选择性记录——每份文档都是过滤后的结晶
• 性质：持久的、累积的、跨场保存

什么是能量？

在人机协作的语境中，「能量」是一个上位概念，涵盖所有有限的资源：

活文档稳定的「能量流向」，是在稳定所有这些能量：SDD 稳定「该往哪走」→避免认知资源浪费在错误方向；TDD 稳定「怎么验证」→避免算力浪费在重复试错；KM 稳定「踩过的坑」→避免时间浪费在重复犯错；ARCHIVE 稳定「完成的事」→避免注意力被旧东西占用。

人机协作，两边的能量都要算进去。不只是管理 AI 的算力，也在管理人的认知资源。不只是当下的消耗，也在累积跨时间的协作能量。

两个加在一起，就是完整的 Context 管理。一个让对话在当下不散掉。一个让经验在时间中不流失。

VI · 隐喻：网的缝隙

为什么是网，不是容器？

容器是密封的，能量进来出不去，最终会爆炸。网有缝隙：让不需要的东西流过去；让需要留住的东西被接住。

缝隙是设计，不是缺陷。

缝隙的功能：让能量有地方流过，而非贯穿；让熵可以释放，系统不会过载；让注意力集中在真正重要的事情上。

编织的过程

每一条 KM 是一根丝线。你不是一次织好整张网，而是：踩一个坑，加一根丝线；遇到一个问题，补一个节点。随着经验累积，网越来越密，但缝隙依然存在。

VII · 与其他两柱的关系

Context 决定什么进来。但进来之后怎么流动？→这是 Constraints 的工作。流动之后怎么出去？→这是 Entropy 的工作。

Context 是这个循环的入口守门员。

VIII · 小结

Context 管理的核心是选择。

不是一股脑地投入所有信息，而是在每一回合有意识地去芜存菁后，才再把信息投入 Context；同时谨慎安排输出落地的形式，避免文档成为噪声。傅里叶变换提供了选择的框架：维持基频一致，让高频噪声自然流过。人作为 RAG 的主动蒸馏，提供了选择的弹性：该留的接住，该走的放行。

而当选择持续发生、语境一路维持在高浓度，注意力会开始自己延续——不需要意志去撑。专注制造密度，密度回头喂养专注，两者互相生长成一个自我延续的循环。这个循环，就是心流。

「注意力的心流」，是把每一句投入 Context 的对话、与每一份落地的活文档，都管理到极致：不用力地记住所有信息，而是让上下文在对话进行中蒸馏，最后进入一个高浓度、不涣散、自己会延续的场。

这是 Harness Engineering 的第一根柱。