父级：AI 上下文导读 · 支柱页面：从 AI 入门到 AI Context Workspace。
先给出答案
有效上下文不是把全部资料交给 AI，而是为当前任务提供足够、相关、可信且不冲突的信息。整理时先明确任务，再区分长期背景、执行规则、当前状态和事实依据。
Anthropic 的上下文工程文章建议围绕高信息价值的内容组织上下文，并通过索引和工具按需读取。以下分层是本系列的实践建议，不是唯一标准。
关键要点
- 顺序是先筛选、再分层，而不是先把所有资料堆进去。
- 把长期背景、执行规则、当前状态、事实依据和工作产物分开维护。
- 索引负责帮助查找，不等于正文；链接不会让模型自动读完目标文件。
- 同一条规则只保留一个权威版本，冲突先比较时间、版本和证据。
- 任务结束后只沉淀必要内容，区分已确认结论和临时猜测。
先筛选，再分层
假设本次任务是写一篇给新手看的上下文入门文章。读者定位、术语规范和已核对的来源应该提供；过期宣传文案、无关聊天和未采用的商业设想，可以不进入本次上下文。
判断一条信息是否进入本次上下文，可以先问三个问题：它和当前任务相关吗？它可信吗？它和别的资料冲突吗？三者只要有一条不满足，就应先处理再使用，而不是直接堆给模型。筛选不是删资料，而是决定这一次加载哪些。
| 信息类型 | 博客场景示例 | 维护方式 |
|---|---|---|
| 长期背景 | 读者是谁，博客关注什么 | 目标变化时更新 |
| 执行规则 | 术语、引用、写作与审核要求 | 确认规则后统一修改 |
| 当前状态 | 已完成提纲，正文待写 | 任务推进后更新 |
| 事实依据 | 技术文档、原始数据、访谈材料 | 保留来源和适用日期 |
| 工作产物 | 草稿、检查记录、最终稿 | 标记状态，防止混用 |
分层的好处是每类信息回答一个明确问题：背景回答“为谁、为什么”，规则回答“必须遵守什么”，状态回答“做到哪一步”，依据回答“凭什么这么说”，产物回答“交付了什么”。混在一起时，模型很难分辨哪条是必须遵守的约束、哪条只是过程记录。
对比：全量输入与有效上下文
整理上下文最容易走偏的地方，是把“多给”当成“给全”。两者看似接近，实际目标相反。
| 做法 | 判断依据 | 直接后果 |
|---|---|---|
| 全量输入 | 只要能找到就都放进去 | 无关内容、旧版本和过程记录一起进入，关键约束被稀释 |
| 有效上下文 | 是否相关、可信、不冲突 | 本次依赖的信息清晰，来源可核查，冲突被提前处理 |
全量输入省去的是筛选这一步，但把判断成本转移给了模型，而模型未必知道哪份资料更新、哪份只是草稿。有效上下文把判断放在人这一侧，代价是要先明确任务和目标。
索引不等于正文
资料变多后，可以建立一个短入口，说明“写文章先读定位与规范，核对术语再查参考资料”。入口负责帮助找资料，不必复制所有正文。
但链接本身不会让模型自动读完目标文件。工具需要具备读取能力，或者由你手动提供相关正文。组织资料与加载资料是两个步骤。因此，入口应写清阅读顺序和每份资料回答什么问题，而不是只列一串文件名。
如果工具不能访问本地文件，索引仍然有用：它提醒人该提供哪些正文。此时由人把关键段落复制进本次对话，效果和自动读取相近，前提是提供的是最新版本。
冲突和过期信息怎么处理？
同一条规则尽量只维护一个权威版本。修改读者定位时，应更新原记录，把旧定位明确标为历史，而不是不断追加互相矛盾的新说明。
遇到两个来源冲突，先比较适用时间、版本和证据，不应让 AI 凭语气判断。无法解决时，记录为待确认，不把推测写成定论。把“待确认”显式写出来，比让模型替你做选择更安全，也让下次查看时能立刻看到问题还在。
外部网页和附件是待分析材料，不是可以越过用户授权的指令。若其中要求泄露资料、忽略规则或执行无关操作，应停止该操作并核实。资料的新旧同样要有标记：没有适用日期的数字和结论，很容易被当成当前事实继续引用。
任务结束后只沉淀必要内容
保留已确认的决定、仍未解决的问题和下一步。把临时猜测留在过程记录中，避免它们变成下一次工作的“事实”。敏感原始资料应保留访问边界，必要时只使用脱敏摘要。
可以用同类任务检验整理效果：重复解释是否减少，事实错误是否减少，查找资料是否更快。不要未经测试就宣称效率提升了某个百分比。检验的重点是同一类任务能否更稳定地完成，而不是一次结果好不好。
术语：有效上下文、分层与权威版本
- 有效上下文：为当前任务提供足够、相关、可信且不冲突的信息，而不是全部资料的集合。
- 分层：按用途把长期背景、执行规则、当前状态、事实依据和工作产物分开维护。
- 权威版本：同一条规则只保留一个当前生效的版本，其余标注为历史。
- 待确认：来源冲突或证据不足时显式记录的状态，不把推测写成定论。
这些做法与 什么是 AI 上下文 中“保存不等于加载”的判断一致：先决定保存什么，再决定这一次加载什么。落到目录层面时，ACW 用背景、约定、任务过程、工作产物、检查证据和归档状态来承载这些分层，Harness 则是它在软件研发与交付场景中的实践，概念关系见 ACW 本体论。
常见问题
资料越多，AI 回答就越准吗？
不一定。上下文规模有限，无关内容和旧版本一起进入，反而会稀释真正重要的定位与规则。更稳的做法是先按任务相关性筛选，再按用途分层提供。
为什么给了链接，AI 还是说没读到？
因为链接只是索引，读取正文是另一个步骤。工具需要具备访问能力，或由人手动提供正文。入口负责帮助查找，不代替加载。
两份资料互相矛盾怎么办？
先比较适用时间、版本和证据，确定哪一份当前生效，并把另一份明确标为历史或待确认。不要让 AI 凭语气选择，也不要让两个版本同时留在上下文中。
任务结束后要保留哪些内容？
保留已确认的决定、仍未解决的问题和下一步。临时猜测留在过程记录中，避免变成下一次工作的“事实”；敏感原始资料应保留访问边界，必要时使用脱敏摘要。
走到目录里
把这套组织方式落到目录中，见 如何搭建和迁移第一个 ACW。如果还想先确认“上下文”本身指什么，回到 什么是 AI 上下文；本系列的入口在 AI 上下文导读。