https://blog.sunny2758.xyz/tags/%E4%BD%BF%E7%94%A8%E6%8A%80%E5%B7%A7/Recent content in 使用技巧 on 我的个人日记本Hugozh-cnMon, 02 Nov 2026 00:00:00 +0000https://blog.sunny2758.xyz/posts/ai-%E7%9B%B8%E5%85%B3/2026-11-02-ai-long-context/Mon, 02 Nov 2026 00:00:00 +0000https://blog.sunny2758.xyz/posts/ai-%E7%9B%B8%E5%85%B3/2026-11-02-ai-long-context/<p>需求背景：<br> 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。<br> 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。</p> <h2 id="五个实用做法--by-workbuddy">五个实用做法 by WorkBuddy</h2> <ol> <li><strong>把要求写进文件</strong>：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。</li> <li><strong>把形容词改成检查条件</strong>：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。</li> <li><strong>每轮对照清单自检</strong>：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。</li> <li><strong>分批交付并确认基线</strong>：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。</li> <li><strong>定期整理并携带摘要</strong>：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。</li> </ol> <p>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。</p> <h2 id="第二种方法-by-chatgpt">第二种方法： by ChatGPT</h2> <ol> <li>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。</li> <li>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。</li> <li>解决办法： (1)建立五层架构：不要让对话承担所有责任.</li> </ol> <p>L1：项目目标层（Project Charter）</p> <p>为什么做？最终要交付什么？成功标准是什么？</p> <p>L2：约束规则层（Project Constitution）</p> <p>不可违反的规则、假设、数据口径、格式规范</p> <p>L3：项目状态层（Project State）</p> <p>当前进度、已完成事项、待办事项、决策记录</p> <p>L4：任务执行层（Task Execution）</p> <p>研究、分析、写作、编程、制作不同产物</p> <p>L5：验证交付层（QA &amp; Delivery）</p> <p>事实检查、逻辑检查、交叉验证、版本管理</p> <p>(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.</p> <p><a href="https://chatgpt.com/s/t_6ae7e23190508191bfd7b1bf79b52454">https://chatgpt.com/s/t_6ae7e23190508191bfd7b1bf79b52454</a></p>