夜雨聆风本质上，这些问题都可以归结为「上下文管理」问题。
上下文是 AI 中非常关键的概念。无论你以什么方式、在什么场景下使用 AI，你提供的背景、提出的要求，以及之前对话中形成的结论，都会成为它继续回答时参考的上下文。
AI 本质上是一种工具。俗话说：“工欲善其事，必先利其器。”我想补充一句：“若要利其器，必先知其理。”本系列虽然希望建立一套适合大众的 AI 使用手册，不打算引入太多专业知识，但想要真正用好 AI，也需要对它的工作方式有基本了解。接下来，我们就用比较容易理解的方式，聊聊「上下文」到底是什么。
AI的脑容量有限
上一篇文章中，我们提到过，可以把 AI 想象成一个无所不知的员工。但它并不完美，其中一个明显的限制就是：它的“脑容量”是有限的。
在你们对话的过程中，AI 会努力记住前面出现的信息。但当对话越来越长，内容超过它能够有效处理的范围时，它就可能开始压缩、忽略，甚至遗忘早期信息。AI 一次能够处理的最大信息量，就可以理解为它的「上下文大小」。
上下文窗口决定 AI 一次最多能接收多少信息，但“信息在窗口里”不代表“AI 一定能准确找到并使用它”。
你可以把上下文想象成一张有限大小的办公桌。桌面越大，能同时摊开的资料越多；但资料一多，真正放在眼前、容易找到的内容依然有限。
比如，你在对话开头告诉 AI：“文章要写得轻松、简洁，面向没有技术背景的读者。”聊了几十轮之后，你又让它补充案例、调整结构、修改标题。到了最后，它可能还记得文章主题，却忘了最初的语气和读者要求。
所以，如果你习惯在同一个对话里从一个问题一直聊到另一个问题，甚至连续聊上几天，现在可以适当改变这个习惯。你以为自己还在和 AI 持续交流，但对 AI 来说，最开始提供的信息可能已经变得模糊。
有些人可能会疑惑：现在很多 AI 都宣称拥有几十万，甚至上百万的上下文，而自己的对话明明还没有达到这个规模，为什么回答还是会逐渐变差？
有人会把原因归结为模型等级，认为免费或便宜的模型不够好，应该换成更贵、更高级的模型。
更准确地说，问题不一定只是“脑容量”不够。即使上下文窗口很大，AI 也不可能对其中的每一条信息保持同样的关注程度。它不仅有容量限制，也有注意力限制。
AI的注意力有限
试想一下，当你向朋友介绍一部最近很喜欢的电影时，你通常不会把所有台词从头到尾背一遍，而是会挑出主要人物、关键情节和几个重要转折。
如果朋友突然问你：“既然他们这么相爱，电影里他们接吻了几秒？”你可能就很难准确回答。这个细节虽然存在于电影里，但它并不是你讲述故事时关注的重点。
AI 也是如此。面对一段包含大量信息的对话，它不会平均关注每一个字，而是会尝试判断哪些内容更重要，哪些信息会影响接下来的回答方向。这个筛选过程，就可能产生「信息损失」。
而被忽略的内容，恰恰可能是你认为最重要的部分。比如，你前面花了很长时间说明文章的目标读者和语气，后来又反复讨论标题、结构和案例。到了最后，AI 也许把文章写完整了，却忘记了它本来应该写给谁。
在很长的上下文中，位于中间部分的信息尤其容易被淹没。它可能没有真正“忘记”这段内容，只是没有把它放在当前回答最优先的位置。
所以，尽量用简洁的对话完成一个明确任务，不要试图在同一个对话里解决所有事情。如果任务比较大，就把它拆成几个小任务，分别在不同对话中完成。
一个简单的原则是：
一个对话，解决一个任务。
当你准备开始一个新的、与当前主题无关的任务时，最好开启一个新的对话。比如，前一个对话用于制定旅行计划，写工作总结时，就不必继续使用这条对话。
保持连续性
任务拆解可以减轻上下文压力，但也会带来另一个问题：不同对话之间容易失去连续性。
如果你一直在同一个对话里从头问到尾，信息自然是连贯的。但当你把任务拆开后，第二步往往还需要使用第一步中的信息和结果。每次都重新解释一遍，确实很麻烦。
这个问题的本质，就是「上下文交接」，也可以叫作「上下文持久化」。
当一个任务结束时，如果你认为其中的关键信息需要传递给下一个对话，可以让 AI 先完成一份交接总结。比如这样要求：
请将本次对话中的背景、关键结论、已经完成的工作、未解决的问题，以及下一步需要注意的事项整理出来，方便我在新的对话中继续使用。
还记得上一篇文章在讨论提示词时提到的三要素之一——“背景”吗？这里生成的总结，就可以成为下一次任务的背景信息。
接下来，你只需要在新的对话中补充新的任务和具体要求，就能继续推进工作，而不必把前面的内容全部重新讲一遍。
例如，你可以先让 AI 帮你整理一篇文章的结构，再让它总结文章主题、目标读者、核心观点和已经确定的案例。下一次对话中，把这份总结交给 AI，请它继续扩写正文。这样既保留了前一步的成果，也不会让同一个对话变得越来越混乱。
让 AI 主动暴露它的理解
上下文管理还有一个很实用的动作：不要只是把信息交给 AI，也要让 AI 把它理解到的内容说出来。
很多时候，AI 并不是完全没有看到你的要求，而是对任务的理解和你不一样。你说“简洁”，可能是希望控制在 800 字以内，它却理解成少分几个段落；你说“面向普通读者”，它可能仍然写满了专业术语。如果直接让它开始执行，问题往往要等到结果出来之后才会暴露。
所以，在比较重要的任务开始前，可以先让 AI 暂停执行，复述它对任务的理解，并列出仍然不确定的地方。比如这样要求：
在开始执行之前，请先用 5 条内容复述你对这个任务的理解，包括任务目标、背景、目标读者、限制条件和最终输出形式。请同时列出你认为还不确定的地方，暂时不要开始写正文。
这一步的价值，不是让 AI 把整段对话重新念一遍，而是让它整理出一张简短的“任务地图”。如果你发现它把目标读者、文章语气或交付形式理解错了，就可以及时纠正，而不必等它写完之后再推倒重来。
比如，你想让 AI 帮你写一篇给普通职场人的 AI 入门文章。它复述时说“文章面向有编程基础的开发者”，这就是一个需要马上修正的上下文偏差。你可以直接告诉它：“不是开发者，而是没有技术背景的普通职场人；文章要少用术语，多用工作场景举例。”
在复杂任务中，还可以让 AI 先列出它准备采用的前提：哪些信息是已经确认的，哪些只是它的推测，哪些地方需要你做决定。这样一来，AI 不再是一个埋头执行的员工，而是会先把自己的理解摊在桌面上，供你检查。
一个简单的流程是：先让 AI 复述，发现偏差后进行纠正，确认理解一致，再让它开始执行。尤其是在写文章、整理资料、制定计划或处理长文档时，这几句话往往能省下后面的大量返工。
写在最后
无论你只是和豆包聊天，还是使用 WorkBuddy 完成工作，或者用 Codex、Claude Code 编写代码、构建工程，本质上都在和这些 AI 的基础概念打交道。只是不同的工具已经替你处理了一部分复杂工作，让你可以把注意力放在更具体、更有价值的事情上。
前面讲提示词和上下文，并不是为了让你记住一堆术语，而是为了让你知道：当 AI 的表现不稳定时，问题可能出在哪里，以及该怎样把它带回正确的轨道。
下一篇，我们暂时不再围绕 AI 概念展开，而是通过一个具体例子，把提示词和上下文结合起来，搭建一个属于你的知识体。
这个简单的知识体，可能就是市面上那些价格不菲的“智能体”的基本原貌。
