什么是上下文污染？对话越聊越乱的原因

同一段对话，开头答得干净利落，聊到二十轮之后开始自相矛盾甚至答非所问——多数时候不是大模型变笨了，而是上下文被污染了。它每回答一轮，都要把完整的历史记录重读一遍，历史里混进来的错误答案、被否掉的方案和无关闲聊，会跟着当前问题一起进入视野，干扰后面的判断。

一个没有橡皮擦的记忆

大模型在单次对话里没有独立的记忆模块，它的「记忆」就是上下文窗口里的全部文本。你说过的每句话、它答错的每一次、你放弃的每个方向，都会原样留在窗口里，并在之后的每一轮被重新读入。它没有能力把某一段「划掉」，也没有机制判断哪些历史已经作废。

这决定了污染的两个特点。一是只进不出：信息一旦进入窗口，就会一直产生影响，除非对话结束。二是权重不分：作废的方案和有效的结论，在它眼里都是平等的历史文本。理解这两点，很多「越聊越乱」的现象都能解释——你以为是它学偏了，实际是窗口里堆的杂音盖过了正题。

还有一个容易忽略的事实：污染不会因为对话被搁置而消失。今天关掉窗口，下周再打开继续聊，之前堆进去的杂音原样都在。存档的会话恢复后也是整段历史一起读入，所以「放几天再聊」解决不了问题，能解决它的只有重开。

三类污染源与识别信号

第一类是试错残留。你让它写过三个方案、否掉了两个，剩下一个的思路仍会被废案牵引，回答里时不时绕回被否掉的方向。第二类是错误信息。它前面某轮答错了，你随口回了句「哦，这样」，这句错话就以对话事实的身份留在历史里，持续影响后面的推理。第三类是话题混杂。一段对话先聊 A 项目再聊 B 项目，两边共用的名词会让它把细节串在一起，比如把 A 的预算数字接到 B 的方案里。

三个应对动作

动作一，任务换了就重开。这是唯一可靠的处理方式，别指望它自动「翻篇」。动作二，显式声明作废。需要在原对话里继续时，把作废的部分说清楚：「前面那个方案不用了，后续回答不要参考。」这能减轻影响，但因为那段文字仍在窗口里，效果不彻底。动作三，结论固化。聊清楚之后让它把结论整理成一段独立文字，新对话直接带着这段开始，历史包袱全部留在旧对话里。

历史越长，每轮要处理的 token 越多，等待时间也随之变长，这在生成速度的机制里有专门解释。另外，窗口容量和处理质量跟模型本身的规模有关，具体差异可以参考参数量不同带来的能力差距；免费版通常窗口更小、更容易触发截断，对比见免费版和付费版的区别。

这些情况不算污染

并非所有「越聊越差」都归咎于污染。提问本身越来越模糊、背景信息从头就没给够，这类问题重开对话也解决不了，得先把问题本身写清楚。模型能力不足导致的错误（比如复杂推理一直出错），换新对话同样会错，那是模型的问题，与历史无关。判断方法很简单：换个新对话重问一遍，新对话里还错，就不是污染。

上下文污染速查

• 任务换了就重开，别让旧对话拖累新问题
• 错误答案当场纠正，别让错话留在历史里
• 聊清楚的结论固化成一段话，带进新对话
• 一段对话只办一件事
• 新对话重问还错，说明是模型问题而非污染

三个常被问到的问题

• 让它「忘掉前面说的」有用吗？：它可以在回答里选择忽略，但那段文字仍会在每轮被读入窗口，干扰无法根除。要求彻底清除，只有重开对话这一条路。
• 长对话和多次短对话，哪个消耗更大？：单看 token 总量，短对话反复粘贴背景可能更费；但短对话的答案质量更稳。重要任务建议用短对话加固化结论，普通闲聊无所谓。
• 固化结论要写成什么样？：三样东西——背景约束、已达成的决定、悬而未决的问题。一段话控制在两百字上下，太长等于把污染带进新对话。