喂给 AI 之前,我先删掉一半

上个月，我把整个文件夹丢给了 AI

上个月在办公室改门店 SaaS 的会员续费模块，我图省事，把整个项目目录丢给 AI，让它告诉我「续费逻辑写在哪」。

它回了我一大段，讲得头头是道，里面提到的两个文件名，我在自己的项目里一个都没见过。

后来我重来一次：只给了 3 个文件，加一句「只看这三个文件，别的不看」。

答案 120 字，一个文件路径，一次命中。

这事我踩过不止一次。结论是——问题不在模型，在我给的东西。

三组实验：喂得越多，答得越差

我以前默认的一个逻辑是：资料给全，AI 才能判断。

这个逻辑被一份报告推翻了。向量数据库公司 Chroma 在 2025 年 7 月发了一份技术报告，叫 Context Rot（上下文腐烂），测了 18 个模型，包括 GPT-4.1、Claude 4、Gemini 2.5 和 Qwen3。

他们的做法是：把任务难度锁死，只改输入长度。这样性能掉下来，就只能归因于长度本身。

第二组最值得看。同一批问题，全量版本平均 11.3 万 tokens，聚焦版本平均 300 tokens，差距 300 多倍。结果是所有模型在聚焦版本上都明显更好，Claude 家族的落差最大。报告里写明：即使打开完整推理能力，这个差距依然存在。

说白了，多出来的那 11 万 tokens 不是保险，是负担。

「放在开头结尾就好」，我信了半年

比长度更让人意外的，是干扰项。

Chroma 在实验里手写了 4 条干扰信息——和问题高度相似，但不是答案的那部分。结果是：哪怕只加 1 条干扰项，性能就比不放的时候差；加到 4 条，进一步往下掉。

他们给了个例子，问题问的是「大学同学给过我最好的写作建议是什么」。干扰项长这样：「我最差的写作建议来自大学同学」「我同学给我的最好建议是每篇用三种风格写」。人眼能分辨，模型不一定。

失败分析里还有一句：在有 4 条干扰项时，模型幻觉答案中出现频率最高的，恰恰是那两条最容易混淆的干扰项。

这条对我们这种用法尤其危险。我给 AI 的资料里，八成是「相关但不关键」的东西——旧版本的需求文档、去年那份改过的报价模板、客户群里转手的截图。每一条都像答案的一部分。

还有一个发现我一开始没看懂：把资料的句子顺序打乱，模型反而答得更好，18 个模型里全都这样。报告自己也没解释原因。

这句话翻译过来是：别指望排版拯救你的长文档。

我现在按三层喂资料

改了用法之后，我把给 AI 的东西分成三层。

第三层是收益最大的一层，也是最容易被忽略的。大部分人只想着「要喂什么」，没想过「明确告知不喂什么」。

在我这个场景下，第三层通常能砍掉一半以上的体量——依赖目录、编译输出、历史版本的接口文档，这些东西对人类有用，对模型只有干扰。

图1：给 AI 的资料按三层装，第三层收益最大

工具里对应的开关

我用两个工具，各自的上下文管理机制不一样，但思路是一样的：能检索就别全塞。一人公司没有代码评审这道关，喂错了东西没人替你兜。

有两个细节值得单独说。

一是 Claude Code 的自动压缩。它清上下文的顺序是：先丢较早的工具输出，再总结对话。结果是会话早期口头说的那些要求会丢，但根目录说明文件会在压缩后重新读一遍。官方的原话是：持久规则放进说明文件，别指望对话历史。

二是 Cursor 从 2.0 起把一批 @ 引用从菜单里去掉了，因为 agent 现在会自己检索。官方留下的那句建议倒是实在——当你想限制它看什么的时候，才需要手动引用。

也就是说，工具在往「自动全检索」的方向走，而我要做的恰恰是反着来：主动收窄范围。

上下文也是钱

删的另一半好处直接落在账上。

Anthropic 的定价页写得很清楚：提示缓存命中的部分按输入标准价的 10% 计（写入是 1.25 倍），意思是同样的前缀内容第二次起几乎不花钱。Batch 通道是输入输出的 5 折。

但真正让我警觉的是另一条。同一份定价表里，Haiku 5.5 的输入价分了两档：10 万 tokens 以内每百万 0.1 美元，超过 10 万 tokens 的那一档是 0.5 美元。同样的 token，越过一条线，单价变 5 倍。

长上下文不是免费的，有些地方甚至是加价的。

我自己的口径很简单：一份材料要反复问多次，想办法让前缀稳定，走缓存；一份材料只过一遍，就别把无关部分一起塞进去。

这不是理论，是账。

图2：Haiku 5.5 输入价分档，越过 10 万 tokens 单价变 5 倍

三个我踩过的坑

这三个坑我反复踩到，不是同一件事。

第一坑：把「给全」当成负责。客户问我能不能改，我把三年积累的需求文档都给了 AI，结果它给出的方案兼容了三个已经作废的版本。后来只给最新版加一份变更说明，方案干净了。

第二坑：在同一个会话里连问十件事。上下文越滚越厚，到第八个问题时，它已经在回答第三个问题时定下的口径里出不来。现在的做法是：换题目就换会话。

第三坑：给截图不给结构化信息。门店 SaaS 对接收银设备那次，我给了十几张后台截图，模型对着图编参数。改成给它一张字段表格之后，一次性对上。

上下文不是资料库，是工单

大部分人认为，给 AI 资料要给全，不留死角才算负责。

在我用 AI 写代码这几年之后，我的判断是反过来的——筛选才是那个不可替代的动作，检索和生成已经不值钱了。

因为同一批 306 道长对话问答，全量喂进去平均 11.3 万 tokens，聚焦版 300 tokens，18 个模型无一例外都是后者更好。差距不在模型，在我有没有动手删。

我删掉的那些，本来就不该由它来挑。

今天就做一件事

如果你平时也在给 AI 喂长材料，只想做一件事就够了：把下一次要发的附件砍掉一半，然后加一句「只看这些」。

改动很小，答案的准确度会让你自己吓一跳。

写完这篇，我会把门店 SaaS 那套说明文件的行数再去压一遍。你那边给 AI 喂的材料是什么量级？评论区说说。