夜雨聆风你走进常去的咖啡店，对老板说：
“老样子。”
老板点点头，三分钟后把冰美式递给你。
换一家第一次去的店，你再来一句“老样子”，店员大概率只想反问：您哪样？
AI 也经常遇到这种场面。
你对它说：“按刚才那个版本改一下。”“语气再稳一点。”“把它整理成老板能看的。”
你脑子里剧情完整，人物关系清楚，连老板皱眉的样子都有了。可模型面前可能只有一句——“语气再稳一点”。
这时候它还敢直接开写，不一定是懂你，也可能只是胆子大。
模型这一次回答时，实际拿到的全部信息，就叫 Context（上下文）。
Context 不是聊天框里最后那句话
上一讲说，Prompt 是你交给模型的任务说明。
Context 比 Prompt 更大。
它可能包括你当前的问题、前面的聊天记录、系统给模型的规则、上传的文件、搜索结果，以及工具刚刚返回的数据。具体放进哪些内容，由产品或程序决定。
可以把 Prompt 看成一张任务单，而 Context 是整张办公桌：任务单在桌上，参考资料在桌上，旧会议纪要也在桌上，旁边可能还压着一张“不得泄露客户信息”的红色便签。
模型不会隔空翻你电脑里的文件，也不会自动知道你昨晚和同事开了什么会。没被放上这张桌子的材料，对当前这次生成来说，就像不存在。
这也是为什么同一句话，在不同对话里会得到完全不同的回答。
你问“这个方案有什么风险”，前面如果放着一份支付系统改造方案，模型会谈并发、数据一致性和回滚；前面如果放着一份团建方案，它可能开始担心下雨和有人晕车。
字还是那几个字，答案已经跑到两个宇宙。
直接上手：同一句话，换一套 Context
我们做个一分钟实验。
先新建一个对话，只发这一句：
帮我把它写得更专业一点，发给老板。
模型通常会追问“它是什么”，或者先给你一段四平八稳的套话。因为任务有了，材料没来。
现在把信息补齐：
你要帮我写一条发给直属领导的项目更新。
已知信息：活动页原计划本周五上线；支付接口稳定性测试还没通过，预计顺延到下周二；目前不需要追加预算。
要求：先说当前进展，再说明延期原因和下一步；不甩锅，不隐瞒延期；100 字以内。
再让它写。
这一次，模型大概率会给出类似结果：
活动页主体功能已完成，目前正在进行支付接口稳定性测试。为确保上线质量，发布时间预计由本周五顺延至下周二，暂不涉及新增预算。我们将完成测试和回归验证，并在确认后同步最终上线时间。
模型没有突然升级，账户也没偷偷充会员。变化只有一个：它终于拿到了完成任务所需的 Context。
这里还能看出 Prompt 和 Context 的关系：
Prompt 是“请写一条项目更新”；项目进度、延期原因、受众和限制，共同构成了这次任务的 Context。
实操时，不妨在点击发送前问自己一句：
如果把这些内容交给一个今天刚入职、完全不了解项目的人，他能做对吗？
如果不能，模型多半也只能靠猜。
Context 也不是越多越好
很多人发现“补背景”有效，就开始把聊天记录、旧方案、群聊截图和三年前的会议纪要一起塞进去。
这像为了让厨师做一盘番茄炒蛋，把整个冰箱连同上个月的外卖盒都推进后厨。
材料变多，不等于线索变清楚。
无关内容会分散注意，过期资料可能误导判断，互相冲突的要求更麻烦。前面说“控制在 100 字”，后面又贴了一份“不得少于 800 字”的旧模板，模型只能在两位领导之间努力端水。
给 Context 做减法，可以先检查三件事：
第一，这段信息和当前任务有关系吗？
第二，它现在还有效吗？
第三，如果两条要求冲突，哪一条优先？
真正好用的 Context，不是把所有东西都倒进去，而是让正确的信息，在正确的时刻，被模型看见。
它记得我，和 Context 是一回事吗？
不完全是。
模型训练时学到的语言规律和通用知识，存在模型参数里；它们不是你这次临时提供的 Context。
一些 AI 产品还提供“记忆”功能，可以保存你的偏好，或从过去对话中找回有用信息。但这也不等于模型脑内永久收藏了全部聊天记录。更准确地说，是产品在需要时，把相关记忆重新放进当前 Context。
所以，别把关键事实寄托在一句“你应该还记得吧”上。
重要的任务，最好重新给出关键材料；重要的数字，最好标明来源和时间；不确定模型是否看到了，就让它先复述目前掌握的条件，再开始工作。
现在，把前四讲连起来：
大模型根据已经看到的 Token，预测下一个 Token；Prompt 告诉它要做什么；Context 决定它这一次究竟能看到什么。
不过，模型面前这张“办公桌”并不是无限大的。
对话越来越长以后，为什么早期信息可能被压缩、遗漏，甚至挤出去？一份几百页的文件，又为什么不能永远往里塞？
下一讲，我们聊 Context Window（上下文窗口）。