AI 长对话容易遗忘，怎么应对
需求背景： 1.长对话里，早期要求可能逐渐被忽略。单纯重复提醒、换模型或重开对话，未必能解决问题；更可靠的办法，是把关键要求整理成清晰、可检查的规格，并在每轮任务中重新提供。 你希望 AI 像一个长期参与项目的人一样，持续理解目标、记住约束、积累知识、完成多个任务，并且保证不同阶段的产物相互一致。但 LLM 本身并不是一个天然具备持久项目记忆和全局状态管理能力的系统。 五个实用做法 by WorkBuddy 把要求写进文件：将题量、题型、难度、覆盖范围、评分标准、禁用项和输出格式集中到一份规格文档里，每轮开始时重新附上或引用。 把形容词改成检查条件：把“难度高”“符合要求”改为可以逐条核对的标准，例如必须综合多段材料、干扰项分别对应具体误区、难度比例明确。 每轮对照清单自检：正式交付前逐项说明是否满足规格，指出未满足或不适用的项目。 分批交付并确认基线：先产出少量样例，确认质量标准后再继续，避免整批完成后才发现方向偏差。 定期整理并携带摘要：归纳已确认要求、未决问题和规格要点。只有当试错内容过多、干扰主线时才开新对话，并把摘要带过去。 换模型可能改善指令遵循，但不保证消除长对话中的遗漏。所谓“注意力衰减”可用来描述这类体验；不同模型的机制和长上下文表现并不完全相同，不能把单一模型的参数或研究结论直接推广到所有模型。重点是让要求外置、明确，并能逐项验收。 第二种方法： by ChatGPT 自己的需求： 你希望 AI 像一个长期参与项目的人一样，持续理解目标、记住约束、积累知识、完成多个任务，并且保证不同阶段的产物相互一致。但 LLM 本身并不是一个天然具备持久项目记忆和全局状态管理能力的系统。 涉及领域： Context Engineering（上下文工程）+ Agent Workflow（智能体工作流）+ 产物质量管理。 解决办法： (1)建立五层架构：不要让对话承担所有责任. L1：项目目标层（Project Charter） 为什么做？最终要交付什么？成功标准是什么？ L2：约束规则层（Project Constitution） 不可违反的规则、假设、数据口径、格式规范 L3：项目状态层（Project State） 当前进度、已完成事项、待办事项、决策记录 L4：任务执行层（Task Execution） 研究、分析、写作、编程、制作不同产物 L5：验证交付层（QA & Delivery） 事实检查、逻辑检查、交叉验证、版本管理 (2) 以长期记忆为基础、以全局目标为核心、以项目文件为载体、以 AI Agent 为执行工具的个人 AI 工作系统。 总体架构：一个大脑、一个项目库、一个执行引擎. https://chatgpt.com/s/t_6ae7e23190508191bfd7b1bf79b52454