上下文给多少才够：一个可操作的判断方法

「给 AI 的资料越多，答案越准」是一个流传很广的误区，实际经常相反：塞十份文档进去，它反而抓不住重点。上下文的正确用法是当预算花——相关度高的给足，相关度低的删掉，超长的拆着给。这篇文章给一个可操作的判断方法。

注意力是有限资源

模型的注意力分配不均匀。材料越长，单个信息分到的注意力越少，一份 20 页文档里藏着的关键条款，整篇丢进去，被忽略的概率很高。中段内容尤其容易被跳过，这是长上下文的普遍规律，材料越长表现越明显。

还有一个副作用：材料越长，模型越倾向于概括而不是引用细节。你问一个具体数值，它可能回你一个范围；你问某条约定，它可能给你一段含糊的转述。材料给得越多，答案反而越飘。

按信噪比决定给多少

判断方法一句话：问自己，这份材料里跟我的问题相关的部分占多少？占比高，直接给全文；占比低，先把相关部分挑出来再给。这条判断比任何「给多少字合适」的经验公式都可靠，因为信噪比才是影响答案质量的主变量。

挑相关段落不需要精确到句，按章节、按小节圈定范围就够了。宁可比精确范围多给一段，也不要漏掉关键上下文——孤立片段缺了周围语境，同样会让它答偏。圈定后把边界说清楚：「以下是第 3 节相关内容，其他章节不涉及」，这一句能进一步压低串味概率。

超长材料的三步处理

第一步，先让它做摘要：按章节分批丢进去，逐段提炼要点。第二步，针对要点提问：拿着摘要问具体问题，需要细节时让它回到对应章节取。第三步，核对原文：结论要用于正式场合时，回原文确认一次，尤其是数字、日期、条款这类硬信息。

三步的好处是把「一次大海捞针」换成「按图索骥」，每一步的注意力都集中在一小块材料上，命中率比整篇硬塞高得多。

长对话的上下文维护

聊到几十轮，前面的要求会被稀释，模型开始丢掉早先的约束。两个办法：一是把关键约束重新贴一遍——放在消息结尾比只在开头说更有效；二是把已确认的结论整理成一段「当前状态」，开一个新对话带着它继续，相当于手动迁移上下文。

分批给材料时还有一个细节：每次都要把前面的结论带上，否则它每轮只看到本轮内容，之前聊过的等于白聊。状态段落有个现成模板：已完成什么、已确认什么、当前要做什么、不要做什么，四行以内，每次新对话开头贴一遍即可。

失效边界：上下文救不回的两种情况

第一种，窗口装不下：材料体量超过模型窗口上限，再好的方法也要靠外部分段处理。窗口大小和模型规格挂钩，不同规格、不同档位的产品上限差很多，模型规格层面的差异可看：什么是模型参数量？7B 和 70B 差在哪里，版本档位差异可看：免费版和付费版大模型差在哪。第二种，事实本身不在材料里：上下文只能帮它「用好你给的」，不能帮它「变出没有的」，材料里没有的事实，给再多上下文也问不出来。

另外，材料长度直接影响响应速度，输入和输出都以 token 计，长材料意味着更久的等待，等待时长的构成可看：什么是生成速度？每秒输出多少 token 决定等待时间。

上下文速查

• 先问信噪比：相关部分占多少，再决定给多少
• 超长材料三步：摘要、追问、回原文核对
• 长对话：重贴关键约束，或带状态开新对话
• 上下文是预算，按需分配

三个延伸追问

窗口标称很大，能装下一整本书，是不是就不用节俭了？装得下和读得好是两回事。窗口上限只保证放得进去，注意力质量随材料变长而下降的规律不会消失，信噪比判断照样适用。

让 AI 自己去材料里找重点，行不行？可以作为第一轮：让它先列出与问题相关的段落编号，你再只把那些段落发回去。多花一个来回，换来的是后续每轮都在小而准的范围内作答。

图片和表格这类非文字内容，怎么算上下文？同样占预算，解析后的占位往往比直觉大。表格优先转成文字要点再给，关键数字直接写进提示词，比整页截图丢进去有效得多。