近日，有开发者在技术社区 Linux.do 发帖指出，新兴 AI 编程工具 DeepSeek Harness 在初次测试中暴露了上下文管理的逻辑漏洞。该用户在完成 API Key 配置并创建首个会话进行简单问候时，分析工具后台注入的上下文数据，意外发现提示词内容存在严重冗余。
经排查，DeepSeek Harness 在读取项目提示词文件时，同时抓取了项目目录下的 `CLAUDE.md` 和 `AGENTS.md` 两个文档。由于该项目此前兼容过 Claude Code 等工具，这两个文件内容完全一致，导致系统将相同的指令集向模型重复发送了两次。这一行为虽然未阻断模型快速返回结果，但实质上造成了 System Prompt 的翻倍。在按 Token 计费的大模型 API 调用模式下，这种重复注入直接导致用户成本的无效增加，并可能因冗余信息干扰模型的注意力机制。该事件反映出当前 AI Agent 工具在文件扫描与上下文合成逻辑上仍存在工程化缺陷，亟待优化。
事件分析
该事件的技术内核在于 Agent 框架对本地规则文件的解析策略不够健壮。目前 AI 编程领域尚未形成统一的配置文件标准，DeepSeek Harness 为了兼容性（同时读取 `.claude` 相关配置和通用 `agents` 配置）而采取了“全量读取”策略，却忽略了基础的文件指纹去重机制。
从产业影响看，AI 编程工具的竞争焦点已从单纯的“模型调用”转向“工程效能”。上下文窗口是稀缺且昂贵的资源，低效的 Prompt 注入不仅增加开发者的经济成本，更挤占了有效代码上下文的带宽。未来，工具开发者必须在框架层面引入更智能的上下文管理机制，以解决“工具膨胀”带来的资源浪费问题。
核心观点：上下文管理的粗糙正成为 AI 编程工具落地的隐形障碍，Token 浪费比推理速度更刺痛开发者的成本神经。
原文链接：Linux.do
