大家都很熟悉用于与数据库交互的 SQL。如今，面对大语言模型，我们的焦点正从提示工程转向上下文工程。
在本项目中，我们尝试构建一种结构化上下文语言（Structured Context Language），旨在借鉴上下文工程的实践，占据一个类似于 SQL 的生态位。
我们希望通过这一实践，能够总结出一套中间件。该中间件将为智能体提供标准化的接口，其角色类似于 Hibernate 之于 Java 应用程序。
如果将提示词视为一种面向大语言模型（LLM）的查询语言，那么上下文工程无疑是这种查询语言的一种实现方式。我们可以从三个相互独立的维度来解构上下文工程：
- 业务内容：面向具体提示词和场景的具体指示。
- 工具调用：LLM 能够使用的各种工具，旨在获取额外的外部数据。
- 记忆管理：在多轮对话场景下，决定哪些历史内容与当前查询相关。
我们可以将工具调用视为对信息的空间扩展，而将记忆管理视为信息在时间维度的扩展。
考虑到在工程实践中，我们可以通过工具调用来实现记忆管理的交互，因此在上下文工程中，对于信息的扩展查询可以使用一种标准化接口来完成，并进一步总结为一个标准化流程。
受益于 Claude Skill 的渐进式加载机制，我们也看到在不同工具之间，可以通过渐进式加载的方式实现大模型对工具的自主选择。这与在 SQL 中定义并显式调用执行的存储过程不同，它通过渐进式加载提供了额外的自主性。
基于上述思想，SCL 提供一个标准化的智能体循环（Agent Loop），作为上下文工程的运行时中间件。它将上述三个维度的处理统一到一个事件驱动的执行模型中。
-
极简 YOLO 模式
不内置 TODO、计划、子智能体、后台 bash。开发者通过文件外化状态、通过 bash 组合工具、通过新建 task 实现技能执行。我们希望框架只做“运行智能体”这一件事，并给使用者完全的控制权和可观测性。 -
统一供应商接口
一个 API 支持 Anthropic、OpenAI、Google、xAI、Groq、Cerebras、OpenRouter 及任何兼容 OpenAI 的端点。提供流式传输、基于 TypeBox 模式校验的工具调用、思维/推理支持、无缝跨供应商上下文交接，以及令牌和成本追踪。 -
工具注册与选择
内置工具注册中心，维护工具的元数据与描述。智能体通过 RAG 机制渐进式加载可用工具，只在需要时将相关工具定义注入上下文，避免全量工具描述带来的上下文膨胀。这种按需选择的方式继承了渐进式加载的思想，同时保留模型的自主性。 -
可插拔的内容压缩
提供内容压缩策略的热插拔接口。在长对话中，通过可定制的压缩器精简历史消息，在保留关键信息的前提下降低令牌消耗，提升智能体长期运行时的稳定性。 -
Prompt 模板
为业务内容提供结构化模板支持，便于复用、版本管理和团队协作。模板可结合上下文工程实践，固化有效的提示模式。 -
多种运行形态
- RESTful（容器） —— 作为服务部署，提供 API 接入。
- 本地 TUI —— 在终端中交互式使用，支持斜杠命令、会话管理。
- 库文件 —— 直接引用，支持二次开发与深度集成。
-
可观测性
全流程事件流透明输出：工具调用的参数与结果、模型输出的每一步变化、内部状态的变更均可追踪。这对调试、评估和信任构建至关重要。 -
内置工具集
开箱即用的基础工具，覆盖常见编码与运维任务：- 文件读写
- 查找（grep、find）
- bash
- git
- 创建 cron job
- 以及其他可被 function call 分支选用的工具
工具可以通过注册机制扩展，既支持内置实现，也支持通过 CLI 包装已有命令。
-
信息扩展的统一
工具调用（空间扩展）和记忆管理（时间扩展）都在 agent loop 内通过标准化工具接口完成。记忆管理不再是一种特殊的内部机制，而是像其他工具一样被调用、记录和观察。 -
渐进式加载的工程化
工具选择的 RAG 机制将渐进式加载从“技能文件”延伸到所有工具，模型先理解需求，再按需获取工具说明，自主决定使用哪些资源。这平衡了上下文效率与自主性。 -
中间件定位
正如 Hibernate 为 Java 应用提供持久化的标准抽象，SCL Agent Loop 旨在为智能体应用提供上下文管理的标准化接口。它封装了供应商差异、工具执行、压缩策略和运行时模式，使开发者可以更专注于业务提示和任务流设计。