AI 上下文导读

父级与支柱页面：从 AI 入门到 AI Context Workspace。

先给出答案

模型有能力却仍然做不对，第一步不该是换一个更强的模型，而该检查这次生成时它实际接收到了什么。上下文是模型在本次生成时实际接收到的信息。正确的读者定位、写作要求如果没有进入本次上下文，或者和旧要求发生冲突，都会让一件本可完成的事出错。

本篇是“AI 上下文”篇章的导读：先说明 AI 实际能看到什么，再把资料存储和上下文加载区分开，然后给出本篇章的阅读顺序、用一次真实交接理解上下文的方法，最后给出完成标准。

关键要点

• 上下文是模型本次生成时实际接收到的信息，不等于你保存下来的全部资料。
• 保存不等于加载：文件留在电脑或知识库中，不代表本次调用已经读到。
• 模型可处理的上下文规模有限，应用可能只保留最近对话、使用摘要或检索部分片段。
• 做不对时先查上下文是否到位，往往比先怀疑模型能力更有效。
• 有效上下文不是把全部资料交给 AI，而是提供足够、相关、可信且不冲突的信息。

为什么模型有能力，却仍然做不对？

假设 AI 已经能写出通顺文章，却始终使用错误的读者定位。问题可能不是写作能力，而是正确的读者定位没有进入本次上下文，或者与旧要求发生了冲突。

这类失败很容易被误判成“模型不行”。但换个角度看，同一个人如果只拿到一句“继续写”，也很难猜出你心里的读者是谁、字数和深度到什么程度、哪些结论已经确认。AI 面对的处境类似：它只能依据本次真正拿到的信息来生成，拿不到的部分，要么留空，要么用推测填上。

同一种“做不对”，来源可能完全不同：可能是资料根本没提供，可能是新旧两份资料互相矛盾，也可能是资料齐全但模型理解出现偏差。前两种属于上下文问题，第三种才更接近能力问题。把错误归因分清楚，才能选择正确的修法——补资料、处理冲突，还是换方法或换工具。上下文学习关心的不是“怎样让提示词更长”，而是“这一轮工作需要什么信息，以及这些信息是否准确到位”。

对比：全量输入与有效上下文

一个常见误区是“资料给得越多越保险”。但资料越多，噪声、重复和互相矛盾的版本也越多。整理上下文的目标不是堆量，而是让本次任务真正需要的信息清晰、可信、不冲突。

两者不是非此即彼。可以先把资料分层保存，再按当前任务挑选加载哪一层。但保存与加载是两个步骤：资料被放进知识库或工作区，并不会自动进入每一次调用。

阅读顺序

1. 什么是 AI 上下文：提示词、记忆与知识库：区分模型实际看到的内容与应用保存的资料，是理解后面所有内容的前提。
2. 如何整理有效上下文：筛选、分层与更新：把资料按用途组织，处理遗漏、冲突与过期信息，从概念走到可执行的做法。

两篇的顺序是先弄清“上下文到底是什么”，再学习“怎么把它整理好”。读完后可以回到本页对照完成标准，检查自己是否真正掌握了这两件事。

用一次交接理解上下文

请一个人接手文章写作时，你通常会提供目标、资料、规范和当前进度，而不会只说“继续”。给 AI 交接也需要这些信息：任务目标、读者定位、可用资料、写作规范，以及当前进行到哪一步。

但这只是工作层面的类比，不能据此假设 AI 拥有人类记忆。一次对话中知道的事情，在新会话或新应用里未必存在。换一个工具、开一个新会话，都可能让上一轮的信息不再可用，所以需要检查实际提供的信息，而不是假定对方“应该记得”。

判断 AI 是否真的拿到信息，可以要求它列出所依据的文件名、章节和相关原文，再由人对照原始材料。它声称读过某个文件，本身并不能证明读取完整。这类检查比“让它复述一遍”更可靠，因为它把结论落回到可核对的来源上。

还有一个容易忽略的点：交接信息要区分“已确认”和“待确认”。把推测当成结论交出去，下一轮就会把错误当作事实继续使用。交接时明确哪些是定论、哪些还需核实，比信息量多少更重要。

常见误区

• 把“保存”当成“加载”。 文件或知识库存下来了，并不代表这次调用读取过，需要确认工具是否具备读取能力并获授权。
• 把上下文问题当成能力问题。 定位缺失、规则冲突和资料过期，都会表现为“AI 变笨”，但它们各有对应的修法。
• 用增加输入长度代替版本管理。 同一规则留着新老两版，只会让模型更难判断哪条生效。
• 以为聊过就记得。 新会话、新工具都可能不带入上一轮信息，重要结论要落到可核查的记录里。

常见问题

保存到电脑里，模型为什么还是读不到？

因为保存和加载是两个步骤。文件存在本地，只说明资料被保存；模型能否影响本次回答，取决于这次调用是否有读取工具、是否获得授权，以及相关内容是否真的被取出并提供给模型。没有加载这一步，文件对本次生成不产生影响。

聊过的内容，下一次为什么还会忘？

模型可处理的上下文规模有限，通常用 token 计量。为了控制长度和成本，应用可能只保留最近对话、使用摘要，或只检索部分历史；新会话也可能完全不带入上一轮的信息。因此重要决定应保存成可核查的项目记录，而不是只依赖“之前说过”。

上传了文件，为什么答案还是错的？

文件可能解析失败，也可能只检索到了部分片段；即使拿到正确片段，模型仍可能误读。以文章写作为例，读者定位可能在旧文件中，最新定位却在新文件中；如果没注明哪个生效，AI 可能混用。这类问题需要管理资料版本，而不是单纯增加输入长度。

这和 ACW 有什么关系？

ACW 是本系列用于组织长期工作资料的方法；当前上下文是其中被选出、实际提供给模型的部分，两者不能画等号。当资料需要跨会话、跨工具长期复用时，可以继续阅读 ACW 导读。ACW 是领域无关的上位概念，Harness 是它在软件研发与交付场景中的领域实践，概念边界见 ACW 本体论。

本篇章的完成标准

• 能说明“文件已经保存”和“模型本次已经读取”的区别。
• 能从旧对话中提取已确认结论，而不保留全部探索过程。
• 能判断一个错误更可能来自缺资料、资料冲突还是执行能力不足。

本篇章的方法参考 Anthropic 的上下文工程文章。当资料需要长期复用时，继续阅读 ACW 导读；需要先固定术语时，可对照 ACW：领域无关的 AI 上下文工作区 与 ACW 本体论，避免把“上下文”与“工作区”混为一谈。