Prompt Tower：将整个代码库秒级转化为 AI 可用上下文

图1：Prompt Tower 插件图标

想象这样一个场景：你正在开发一个中型 React 项目，Cursor AI 助手需要在完整了解项目结构后才能写出符合架构规范的代码。传统做法是把几十个文件逐一复制粘贴到对话窗口——这个过程枯燥、耗时，而且极易遗漏关键文件。

Prompt Tower 就是为了终结这种"上下文工程"（Context Engineering）中的重复劳动而生的。

一、项目起源与行业背景

Prompt Tower 由独立开发者 Michael Ramos（GitHub @backnotprop）开发，托管于 prompttower.com，采用 AGPL-3.0 开源协议。项目于 2024 年底发布，目前已在 VS Code Marketplace 获得超过 1000 次安装，评分高达 5.0 星（截至分析时）。

这个工具诞生的背景，是 2024-2025 年 AI 编程工具（Cursor、Windsurf、GitHub Copilot）的大爆发。随着 Claude Code、Gemini 1M 超长上下文模型、Cursor Agent 等工具的普及，一个新的痛点浮出水面：开发者需要高效地将代码库上下文打包输送给 AI，但现有工具缺乏针对代码结构的专门优化。

二、核心功能：从文件选择到 AI 上下文生成

Prompt Tower 的工作流程极为简洁：在 VS Code 侧边栏勾选文件 → 点击"Copy Context to Clipboard" → 粘贴到任意 AI 工具。整个过程在 VS Code 内完成，无需切换窗口。

2.1 可视化文件选择

插件在 VS Code Activity Bar 添加专属图标，点击后展开多工作区文件树。每个文件前有复选框，勾选状态实时显示，文件名旁标注文件大小。更贴心的是，选中文件会实时显示 Token 计数，帮助用户把控上下文总量，避免超限。

2.2 智能上下文打包

选中的文件会被打包成结构化格式，输出包含两部分内容：

项目结构树（ASCII 格式）：

<project_tree>
src/
├── api/GitHubApiClient.ts (5.2KB)
├── models/FileNode.ts (3.1KB)
└── services/TokenCountingService.ts (2.8KB)
</project_tree>

文件内容块（XML 格式）：

<file path="/src/api/GitHubApiClient.ts">
export class GitHubApiClient {
  // Your actual code
}
</file>

这种结构化格式对 AI 极度友好——结构树让 AI 建立全局视图，文件块让 AI 精确理解每个文件的代码逻辑。相比纯文本粘贴，AI 的理解准确率和代码生成质量都有显著提升。

2.3 .towerignore：精准上下文过滤

支持 .towerignore 文件（语法与 .gitignore 完全一致），用户可以排除测试固件、构建产物、文档等无关内容，确保 AI 只看到真正重要的代码。这是 Prompt Tower 的点睛之笔——解决了"文件选多了上下文溢出、选少了关键代码缺失"的矛盾。

2.4 GitHub Issues 集成

插件可直接抓取 GitHub Issues 和评论，作为上下文的一部分打包给 AI。这意味着 AI 不只"看懂代码"，还能"理解需求背景"——知道这个模块是为什么问题而写的、哪些 issue 是 open 状态。

三、代码架构解析

Prompt Tower 采用清洁服务架构（Clean Service Architecture），用 TypeScript 开发，目标平台为 VS Code（引擎要求 >= 1.96.0）。

目录结构

src/
├── api/          # GitHub REST API 封装
├── models/       # 数据模型（FileNode、Workspace、Events）
├── providers/    # VS Code 树形视图提供器
├── services/     # 核心业务逻辑服务
└── utils/        # 工具函数

核心服务职责清晰：

• FileDiscoveryService：在工作区中递归发现文件
• IgnorePatternService：解析 .gitignore 和 .towerignore
• TokenCountingService：异步 Token 计数，支持取消操作
• ContextGenerationService：模板驱动的上下文生成
• WorkspaceManager：多工作区管理

架构上最大的亮点是多工作区支持：VS Code 可以同时打开多个文件夹（Multi-root Workspace），Prompt Tower 为每个工作区分别构建独立的文件树根节点，这在大型 monorepo 项目中非常实用。

技术选型

纯 TypeScript + VS Code API，依赖极轻。不使用任何 AI 框架，不调用外部 AI 服务——所有生成逻辑都在本地执行，数据完全不离开用户机器。这在隐私敏感的企业环境中尤为重要。

四、实际应用场景

场景一：Cursor Agent 特性开发

选中实现文件 + 测试文件 + 类型定义文件 → 粘贴到 Cursor → 描述需求 → AI 在完整上下文理解下生成代码。开发者反馈："从 20 分钟手动准备到 20 秒一键生成。"

场景二：Claude Code 调试

将错误日志 + 相关文件 + 目录结构打包 → 粘贴到 Claude Code TUI → AI 的解决方案直接针对你的项目架构，避免了"泛泛而谈"的通用建议。

场景三：Gemini 1M 超长上下文大规模重构

Gemini 的 100 万 Token 上下文窗口几乎可以容纳整个代码库。配合 Prompt Tower，可以选择整个模块、附上架构决策说明，让 AI 一次性完成全局理解 + 重构规划——这是传统方式完全无法做到的。

五、部署与上手

Prompt Tower 是一个纯 VS Code 扩展，不支持 Docker 部署，无需服务器。

安装方式极为简单：在 VS Code Extensions 中搜索 "Prompt Tower"（发布者 backnotprop），点击 Install 即可。整个过程不超过 1 分钟。

开发本地运行需要 Node.js + npm，执行 npm install && npm run watch 后按 F5 启动 Extension Development Host。

六、局限与争议

1. 平台锁定：目前仅支持 VS Code（及其衍生品 Cursor、Windsurf、Google IDX），不支持 Vim、JetBrains IDE 等主流编辑器。
2. AI 服务无关：工具本身不集成任何 AI API，只是"搬运工"。输出格式（XML/Markdown）的解析质量完全取决于目标 AI 的指令遵循能力。
3. Token 计数精度：使用粗粒度估算，对于特殊字符和代码结构的 Token 消耗可能与实际 AI 模型有偏差，可能导致实际上下文超限。

七、行业意义

Prompt Tower 代表了一个趋势：AI 编程工具的"最后一公里"工具链正在快速完善。如果说 AI 编程工具是"聪明的厨师"，那么 Prompt Tower 就是"精准的备菜工具"——它解决的不是"AI 会不会做菜"，而是"食材是否按正确规格备好"。

从 GitHub Topics 标签（llm-context、prompt-engineering、vibe-coding、code-assistant）可以看出，Prompt Tower 精准命中了 2025 年 AI 编程浪潮中的核心痛点。在 AI 代码助手"卷"模型能力的当下，上下文工程工具的崛起是一个值得关注的新方向。

Stars 增长趋势：项目自发布以来稳步增长，因其极低的上手门槛和显著的效率提升，在 AI 开发者社区中口碑良好，预计将持续受益于 AI 编程工具的普及红利。