外观
第 3 章 · 上下文管理
模型的能力有上限，但在很多任务里，真正决定上限的不是模型智商，而是它手里有什么材料。本章系统讲解如何给 AI 提供、组织和清理上下文。
本章包含 5 个知识点：
- 上下文到底是什么：会话内的全部信息
- 用
@附加文件与精确行范围- 上下文窗口与信息预算
- Compaction（会话压缩）机制
- 上下文卫生：何时该清理、何时该重开
知识点 1：上下文到底是什么
① 定位
第 0 章给出了「会话即上下文」的心智模型，本章把它拆开讲透。理解上下文的构成，是后面一切管理动作的前提——你得先知道「AI 此刻到底握着哪些牌」，才能决定该补什么、删什么。
② 是什么（What）
在一个会话中，模型能够看到的信息通常包括：
| 来源 | 具体内容 |
|---|---|
| 系统 / 规则层 | 系统指令、AGENTS.md 中的项目规则（第 4 章） |
| 你说的话 | 每一条用户消息，包括 Prompt 正文 |
| AI 的回答 | 它之前的全部回复 |
| 附件 | 你用 @ 附加的文件内容（知识点 2） |
| 工具结果 | 命令输出、读文件结果、搜索结果、Shell 输出 |
| 对话顺序 | 谁先说、谁后说，这本身也是信息 |
一个关键认知：模型没有「会话之外」的记忆。 上个会话聊过什么、你昨天在脑子里想过什么、另一个标签页里发生了什么——当前会话统统看不见。它唯一的世界，就是上面这张表。
③ 怎么做（How）
每次发重要指令前，快速盘点：
- 完成这个任务，模型需要的事实是否都已经在会话里？
- 哪些信息它能自己用工具获取（读文件、跑命令、搜索）？——让它自己拿。
- 哪些信息只有你知道（决策原因、线上现象、业务规则）？——必须你给。
④ 为什么这么做（Why）
- 模型是「无状态」的推理器。 每次生成时，它只依据当次请求携带的全部文本进行预测，不会自动记住任何项目事实。你感知到的「它记得」，其实是历史消息被完整附在了请求里。
- 信息缺口必然被猜测填补。 当需要的事实不在上下文中，模型不会停下来（除非它选择反问），而是按训练数据里最常见的情况假设——这是「不贴合项目」答案的根源。
- 会话顺序承载因果关系。 模型能理解「因为上一轮发现了 X，所以这一轮做 Y」，靠的就是消息的排列顺序。打乱或缺失，推理链就断了。
- 盘点动作把「靠运气」变成「靠设计」。 主动核对上下文，任务所需信息被有意识地备齐，而不是指望模型碰巧知道。
⑤ 这样做的好处
- 产出贴合实际：项目事实齐备，答案可直接落地。
- 减少返工与追问：材料一次备齐，沟通轮次下降。
- 诊断更准确：证据都在会话里，模型基于事实而非空想。
- 掌控协作全局：你清楚 AI 握着什么牌，对产出质量心里有数。
- 为上下文管理打基础：知道构成，才谈得上预算和清理。
⑥ 不这么做的问题 / 坏处
- 以为 AI「应该知道」 → 项目里明明写着的事实它也没用上，因为你没附加、它也没读。
- 重复提供它能自查的信息 → 浪费窗口，还可能因你转述失真而误导。
- 关键背景只字不提 → 得到通用答案后还怪 AI 不专业。
- 忽视历史污染 → 无关旧内容继续影响当前判断，却毫无察觉。
⑦ 举一反三：三个例子
例 1（基础）：让 AI 读项目而不是凭空回答
📌 场景：你问 AI「这个项目用什么测试框架」。
❌ 凭空式：直接问——它只能猜一个常见框架。
✅ 补上下文：「请查看 package.json（和项目配置），告诉我本项目用的测试框架是什么、测试命令怎么跑。」
🔍 讲解：这个事实项目里就有，让 AI 用工具读取，答案就是权威的。关键意识：区分「该让它查」和「该你说」——文件里写着的，优先让它查。
例 2（进阶）：跨会话时重新备料
📌 场景：你在会话 A 里和 AI 详细讨论了支付重试方案；现在你在新会话 B 让它「按上次说的实现」。
✅ 做法：不要假设它记得。在新会话中用 @ 附上相关方案文档 / 代码，或简明重述关键决策，再让它实现。
🔍 讲解：「上次说的」对新会话不存在。会话隔离是特性（保护上下文纯净），代价是跨会话必须显式搬运仍需要的信息。理解这一点，就不会对着 AI 的「失忆」恼火。
例 3（挑战）：盘点一次复杂任务的全部信息需求
📌 场景：你要让 AI 把一个 REST 接口改造并补齐测试。
✅ 盘点结果：
text
它能自查：相关路由文件、现有测试、框架用法 → 让它读；
只有我知道：改造原因、必须保持兼容的字段、上线节奏 → 我来写；
需要附加：接口文档、相关类型定义 → 用 @ 附上；
无需提供：与本接口无关的其它模块代码。🔍 讲解：把信息需求按「谁掌握」分类，是复杂任务不慌乱的关键。这种盘点做几次后会变成本能——高手发指令前脑子里都有一张隐性清单。
⑧ 练习题 ×2
练习 1（巩固型）
📝 题目：列出当前会话中模型可见信息的至少 5 个来源。
💡 思路提示：从规则层往下想到工具结果。
✅ 参考答案：
text
系统/规则层（含 AGENTS.md）、用户消息、AI 历史回复、
@ 附件内容、工具结果（命令/搜索/读文件）、对话顺序。
（答出任意 5 项即可）🔍 讲解：能列出这些来源，说明你已经建立了「上下文构成」的完整地图，后续管理动作都挂在这张地图上。
练习 2（迁移型）
📝 题目：迁移到向人类同事交代任务：哪些信息你会写进任务单、哪些让他自己去查、哪些必须口头强调？这和给 AI 备上下文有什么共性？
💡 思路提示：已有文档让他自己看；背景原因、隐性禁忌必须交代。
✅ 参考答案（示例）：
text
- 让他自查：项目里已有的文档、代码、规范——不必重复转述；
- 必须交代：为什么做、有哪些不成文的禁忌、你观察到的外部现象；
- 附上材料：相关需求文档、设计稿；
- 不用给：与任务无关的其它项目信息。
共性：信息按「谁掌握、何处可查」分工，既避免信息缺失导致猜错，
又避免信息过载淹没重点。给人和给 AI 备料，逻辑完全一致。知识点 2：用 @ 附加文件与精确行范围
① 定位
上一知识点讲「该补什么」，本知识点讲最常用的补料手段：@ 附件。它让你不必粘贴大段代码，就能把文件内容精确地送进上下文，并且可以只送需要的那几行。
② 是什么（What）
在输入框中输入 @，会弹出文件搜索列表；继续打字可按路径 / 文件名过滤，选中后该文件即作为附件加入 Prompt。
三种常用写法：
text
# 附加整个文件
审查 @src/auth.ts 的错误处理
# 附加文件的指定行范围
解释 @src/auth.ts#20-45 在做什么
# 附加后继续写指令
@src/order.ts#40-55 这里为什么可能出现 undefined？@路径：附加整个文件内容；@路径#起始-结束：只附加指定行范围；- 可在一条消息中附加多个文件；
- 附件内容会随消息进入会话，之后模型无需再次读取即可引用。
附加整个文件 vs 让 AI 自己读：显式 @ 附加意味着「这份材料就是本次讨论的核心依据」，模型注意力会聚焦其上；而让它自行读取，主动权在它、读取范围也可能不同。
③ 怎么做（How）
- 输入
@，打字缩小搜索范围，用方向键选中文件； - 只需局部时，补
#行号-行号（或相应的单 / 多行写法）； - 在附件前后写清楚你要它做什么——附件是材料，指令才是任务；
- 大文件优先只附相关片段，避免无关内容稀释重点；
④ 为什么这么做（Why）
- 粘贴代码既笨重又易失真。 手工复制可能漏行、格式错乱、丢失行号；
@附件直接从磁盘读取原文，准确且带行号，核对时能精确定位。 - 行范围控制「信号密度」。 一个上千行的文件里，与任务相关的可能只有 20 行。只附片段，模型注意力全部集中在关键代码上，判断更准、窗口更省。
- 显式附件是「指定证据」。 让模型「就这段代码回答」，能避免它跑去引用别处、或基于猜测作答——你把讨论范围钉死在了给定材料上。
- 多附件构建完整证据链。 复杂问题常涉及「类型定义 + 调用方 + 报错点」，分别附加后，模型能交叉对照，而不是只看一隅。
- 附件可复用为长期模式。 熟练后，你每次提问都会自然地带上相关文件，这是高质量协作的标志性习惯。
⑤ 这样做的好处
- 准确：原文 + 行号，讨论可核对。
- 聚焦：只给相关片段，模型不跑题。
- 省窗口：不把整份大文件塞进上下文。
- 高效：几个字符完成附料，不必切换窗口复制。
- 证据权威：以磁盘真实内容为准，排除转述错误。
⑥ 不这么做的问题 / 坏处
- 口头描述代码 → 模型只能凭你的描述猜，细节一漏方向全偏。
- 粘贴整份大文件 → 关键信号被淹没，窗口被快速耗尽。
- 不给行号 / 范围 → 模型可能引用错误位置，你也难以核对。
- 附错文件不检查 → 它认真分析了你给的错误材料，还显得「很有道理」。
⑦ 举一反三：三个例子
例 1（基础）：针对单个文件提问
📌 场景：你看不懂 src/auth.ts 的登录逻辑。
✅ Prompt：「请阅读 @src/auth.ts，解释登录流程：token 在哪里生成、如何校验、失败时返回什么。引用代码请带行号。」
🔍 讲解：附件给材料、正文给三个具体问题、行号要求保核对——三件齐全。模型不需要猜「你关心哪部分」。
例 2（进阶）：只附关键行范围
📌 场景：报错精确指向某函数中间几行，你怀疑问题就在该片段与其上下文。
✅ Prompt：「@src/order.ts#35-58 这段在读取 id 时可能为 undefined。请说明该值可能从哪些路径传入、哪条路径缺了字段，给最小修复建议，先不要改。」
🔍 讲解：只附 20 余行而不是整文件，让模型注意力集中在病灶上；同时问题精确到「值从哪些路径传入」，引导它向上游追因而非只看表面。行范围写法是性价比极高的聚焦工具。
例 3（挑战）：多附件构建交叉证据
📌 场景：一个类型不匹配问题，涉及类型定义、调用方、接口返回。
✅ Prompt：
text
下面三处联合看，定位类型不匹配的根因，先不要改代码：
- 类型定义：@src/types/order.ts#10-30
- 报错调用处：@src/order.ts#40-50
- 接口返回结构：@docs/api.md（相关段落）
请指出是哪一侧的契约与假设不一致，并列出涉及的所有调用点。🔍 讲解：单看任何一处都可能误判，多附件让模型交叉比对契约，才能发现「定义说有字段、接口实际没返回」这类跨层问题。这体现附件的高阶用法：不是给「代码」，而是给「证据链」。
⑧ 练习题 ×2
练习 1（巩固型）
📝 题目：写出完成下列需求的 @ 写法：（a）附加整个配置文件；（b）只附某文件第 50–80 行；（c）一条消息附两个文件。
💡 思路提示：记住 @路径 与 @路径#起-止 两种基本形态。
✅ 参考答案：
text
(a) @src/config.ts
(b) @src/app.ts#50-80
(c) 示例：请对照 @src/types/user.ts 和 @src/api/user.ts 的字段是否一致。🔍 讲解：语法本身简单，关键是养成「提问先想该附哪份证据、附多大范围」的习惯。
练习 2（迁移型）
📝 题目：迁移到做汇报或写论文：为什么引用材料时「精确出处 + 只引相关段落」比「丢一整份资料」好？
💡 思路提示：从读者注意力和可核对性两方面想。
✅ 参考答案（示例）：
text
- 精确出处（页码 / 行号）让结论可核对、可追溯，增强可信度；
- 只引相关段落，读者注意力集中在证据上，不被无关内容淹没；
- 整份资料丢给对方，等于把「筛选材料」的工作转嫁给读者，
关键证据反而可能被忽略。
共性：好的引用 = 给「最小充分证据 + 可核对坐标」，与 @ 附件同理。知识点 3：上下文窗口与信息预算
① 定位
会附文件之后，马上要面对一个硬约束：上下文窗口是有限的。 本知识点建立「信息预算」意识——像管理钱一样管理上下文，知道什么该花、什么该省、什么时候快超支。
② 是什么（What）
- 上下文窗口（Context Window）：模型一次请求能够处理的文本总量上限，通常以 token（词元）计。不同模型窗口大小不同。
- 预算：窗口空间要同时容纳系统规则、历史对话、附件、工具结果，以及留给新回答的空间——这些共同瓜分同一个窗口。
消耗窗口的几大「支出项」：
| 支出项 | 何时快速增长 |
|---|---|
| 长对话历史 | 会话越聊越长，旧消息不断累积 |
| 大附件 / 多附件 | 粘贴大文件、日志 |
| 工具输出 | 构建日志、测试输出、大段搜索结果 |
| 规则文件 | AGENTS.md 过长 |
注意一个反直觉点：窗口「没超限」也可能已经影响质量。 当上下文接近塞满时，模型对中部信息的关注可能下降（「中间遗忘」现象），且留给回答的空间变小。
③ 怎么做（How）
- 心里给每类信息设配额：附件只给相关片段，长日志先截取关键部分。
- 大输出做摘要或落盘：超长日志让 AI 先提炼，或输出到文件按需查看，而不是整段进会话。
- 定期审视会话长度：话题已切换、旧内容不再相关时，考虑压缩或重开（知识点 4、5）。
- 为回答预留空间：不要把窗口用材料塞满到模型「没地方写」。
④ 为什么这么做（Why）
- 窗口是物理硬约束。 模型架构规定了单次输入的最大长度，超出的部分无法同时处理——不是产品小气，是技术边界。
- 所有内容在竞争同一笔预算。 规则、历史、附件、输出互相挤占；在某一项上挥霍，其他项就得缩减，甚至触发自动压缩丢失早期细节。
- 注意力并非均匀分配。 上下文越长，模型对处于中间位置信息的利用越不稳定；长不等于全，塞入太多反而损害关键信息。
- 成本与窗口挂钩。 按 token 计费时，更长的上下文意味着更贵的每次请求，长会话每一轮都在为全部历史付费。
- 预算意识把问题前置。 主动管理，能在「超限 / 质量下降」发生前就控制住，而不是等模型开始丢三落四再补救。
⑤ 这样做的好处
- 长任务也能保持质量：关键信息始终留得住、被看见。
- 费用可控：不为无关历史反复付费。
- 回答有空间：模型能完整输出而非被截断。
- 协作节奏稳：主动压缩 / 清理，避免突然超限的混乱。
- 资源用在刀刃上：窗口服务于当前任务，而非历史噪音。
⑥ 不这么做的问题 / 坏处
- 日志 / 文件整段灌入 → 窗口迅速见底，关键信息被淹没。
- 一个会话无限延长 → 早期重要内容被压缩或「遗忘」，AI 前后矛盾。
- 材料塞满不留余量 → 回答被截断或无法生成。
- 忽视成本 → 长会话每轮重发全部历史，账单悄悄上涨。
⑦ 举一反三：三个例子
例 1（基础）：处理超长测试输出
📌 场景：一次测试失败刷出几百行日志。
❌ 直接把整段输出贴进对话。
✅ 做法：「测试失败，输出我先放着。请告诉我你需要看哪部分（报错栈、断言差异、还是汇总）」，或先截取含错误栈与关键断言的 20～30 行附上。
🔍 讲解：几百行里真正有用的往往是错误类型、栈顶和失败断言。按需取料既省窗口，又让模型聚焦，比整段倾倒有效得多。
例 2（进阶）：为长任务做中途预算管理
📌 场景：一个复杂重构已经聊了很久，会话里堆了大量被否决的方案。
✅ 做法：确认旧方案已无关后，主动压缩会话（<leader>c），把历史浓缩成摘要，为后续重构腾出预算；或在里程碑处新开会话、只带上最终方案。
🔍 讲解：被否决的方案属于「曾经有用、现在是负担」的信息。主动清理能让窗口重新服务于当前阶段，而不是永远背着全部探索史。
例 3（挑战）：评估「该不该继续在这个会话里做」
📌 场景：你打算在一个已经很长的会话里再追加一个大需求。
✅ 判断：
- 新需求与现有上下文强相关吗？——是 → 压缩后继续；否 → 新开会话；
- 当前会话是否已接近窗口上限？——是 → 优先新开；
- 早期内容是否还需要随时引用？——否 → 压缩或新开都可。
🔍 讲解：「继续还是新开」是预算管理的典型决策。核心判据是相关性 × 剩余空间，而不是对旧会话的感情。理性决策能避免「长会话后期质量崩塌」。
⑧ 练习题 ×2
练习 1（巩固型）
📝 题目：列出至少 4 个消耗上下文窗口的「支出项」，并各说一种节省办法。
💡 思路提示：从历史、附件、工具输出、规则四方面想。
✅ 参考答案：
text
1. 对话历史 → 及时压缩或按任务新开会话；
2. 大附件 → 只附相关行范围；
3. 工具/日志输出 → 先截取关键部分或落盘按需查看；
4. AGENTS.md → 保持精炼，只写长期有效规则。🔍 讲解：能把支出项与节省办法对应起来，说明预算意识已经可操作，而非停留在口号。
练习 2（迁移型）
📝 题目：迁移到时间 / 金钱管理：为什么「先定预算、再分配支出」比「花到不够再说」好？这和上下文预算有什么共性？
💡 思路提示：超支的代价、主动分配与被动救火的差别。
✅ 参考答案（示例）：
text
- 先定预算促使你区分「必要支出」和「可省支出」，把资源用在高价值项；
- 花到不够才管，往往伴随中断、返工和更高的紧急成本；
- 预算也鼓励为未来预留余量，避免一次用满、毫无缓冲。
共性：任何有限资源（钱、时间、上下文窗口）都适用同一原则——
主动配给、控制浪费、预留缓冲，远胜于被动超限后救火。知识点 4：Compaction（会话压缩）机制
① 定位
窗口快满时怎么办？答案是压缩。本知识点讲 Compaction 是什么、什么时候发生、手动如何触发、以及它的代价——它是长任务的「续命器」，但不是无损操作。
② 是什么（What）
Compaction（压缩）：把会话中较早的大量消息，浓缩成一段保留关键信息的摘要，用摘要替换原始的冗长历史，从而腾出窗口空间，同时让任务能继续。
需要知道的几个要点：
- 压缩可能在上下文接近阈值时自动发生，也可以手动触发（默认
Ctrl+X→C，即<leader>c）； - 压缩保留的是「关键决策、结论、必要事实」，牺牲的是逐字原文、被否决的细节、来回讨论过程；
- 压缩后会话看起来变短，但任务继续基于摘要 + 近期消息推进；
- 它是有损的——任何被摘要略去的细节，模型之后就无法引用。
③ 怎么做（How）
- 手动压缩时机：长任务进入新阶段、旧探索已收尾、需要为后续腾空间时；
- 触发：
Ctrl+X→C； - 压缩前，若有绝不能丢的细节（关键约束、重要结论），先确认它们已写进文件 / AGENTS.md，或在压缩前由你明确强调；
- 压缩后快速浏览摘要，确认核心事实是否保留；发现遗漏立即补充；
④ 为什么这么做（Why）
- 长任务客观存在，窗口却有限。 一个跨多轮的重构 / 排查天然产生大量历史；没有压缩机制，任务只能在窗口用尽时被迫中断。压缩让长链条工作得以续接。
- 「摘要替换原文」是信息论上的合理取舍。 早期消息中，真正对后续有用的往往只是结论与决策；过程性文字可以高比例压缩而不损失主线——用少量 token 保住高价值信息。
- 有损性必须被正视。 模型不可能完美判断什么「以后有用」；被它判定为次要而略去的细节，可能恰恰是你后面要引用的。所以关键信息要外置到文件。
- 手动触发优于被动等待。 在里程碑处主动压缩，你能控制保留什么；自动压缩发生在窗口紧张时，选择余地更小。
- 压缩与「重开」是互补手段。 同语境续命用压缩，换战场用新会话——理解分工才不会用错。
⑤ 这样做的好处
- 长任务不断线：里程碑处续命，持续推进。
- 窗口压力释放：近期工作有充足空间。
- 主线更清晰：摘要把结论沉淀出来，减少旧噪音干扰。
- 成本下降：后续每轮携带的历史更短。
- 节奏可控：主动选择压缩时机与重点。
⑥ 不这么做的问题 / 坏处
- 拒绝压缩硬撑 → 窗口用尽被迫中断，或自动压缩在最被动的时刻发生。
- 把压缩当无损 → 丢失关键细节却不知情，后续引用时模型「查无此事」。
- 关键信息只存在于旧消息 → 一旦压缩即永久丢失，无法恢复。
- 该重开却只压缩 → 带着无关旧语境进入新任务，偏见依旧存在。
⑦ 举一反三：三个例子
例 1（基础）：在阶段里程碑压缩
📌 场景：排查完成、根因已确认，接下来要进入修复阶段，会话已很长。
✅ 操作：先确认根因结论明确 → Ctrl+X → C 压缩 → 浏览摘要确认「根因 + 修复目标」在其中 → 再让它动手修。
🔍 讲解：压缩前先确保结论清晰，压缩后核对摘要——两步保证「续命」不以丢失方向为代价。
例 2（进阶）：把不能丢的约束外置后再压缩
📌 场景：会话中讨论出几条关键约束（如「金额以分为单位」「该接口必须向后兼容」），你担心压缩时丢失。
✅ 做法：先把这些约束写进 AGENTS.md（或相关设计文档），再压缩。即使摘要略去细节，规则文件依然稳定加载、约束永久在场。
🔍 讲解：这是「长期规则不依赖会话记忆」原则的实战。任何压缩都可能丢会话内容，但外置文件不受影响——把最重要的东西放进最稳的容器。
例 3（挑战）：判断该压缩还是该重开
📌 场景：长会话结束后你要做一个新需求，它与旧任务只有弱关联。
✅ 判断：弱关联 + 语境差异大 → 新开会话，只带必要材料；而不是压缩后带着旧语境继续。
🔍 讲解：压缩解决的是「同一任务空间不够」，不是「换任务也能通吃」。带着旧语境做新事，模型容易套用旧假设。正确区分这两个工具，是上下文管理成熟度的标志。
⑧ 练习题 ×2
练习 1（巩固型）
📝 题目：判断对错并说明理由：（a）压缩后早期对话被摘要替换；（b）压缩是完全无损的；（c）关键约束应写进 AGENTS.md 以防压缩丢失。
💡 思路提示：回忆压缩的机制与代价。
✅ 参考答案：
text
(a) 对：用保留关键信息的摘要替换冗长原文，腾出窗口；
(b) 错：压缩有损，过程细节和被略去内容之后无法引用；
(c) 对：外置到规则文件的信息不依赖会话，压缩也不会丢失。🔍 讲解：理解「有损 + 关键信息外置」，就掌握了安全使用压缩的核心。
练习 2（迁移型）
📝 题目：迁移到学习与笔记：把「厚书 / 长课程」压缩成笔记时，为什么笔记能帮你「续命」复习？又该如何防止压缩时丢失以后要用的细节？
💡 思路提示：摘要减负 vs 原文细节；重要内容的多副本。
✅ 参考答案（示例）：
text
- 笔记用少量篇幅保留结论与框架，复习时不必重读全部原文，
相当于为长期记忆「腾出空间」；
- 但笔记是有损压缩，举例、推导过程可能被略去；
- 防丢失办法：关键公式 / 结论单独标记或做成卡片，重要材料保留原文索引，
需要时能回到出处（类似把约束写进 AGENTS.md）。
共性：任何「摘要」都在做减负与保真的权衡，高价值信息要多重备份。知识点 5：上下文卫生：何时清理、何时重开
① 定位
本章收口知识点，也是最能体现「使用素养」的一个。工具你都会了，决定上下文质量的最后一步是纪律：像保持桌面整洁一样，主动清理、果断重开、防止污染。
② 是什么（What）
上下文卫生是一组保持会话「干净、相关、可续接」的习惯，核心包括三条规则：
- 一个会话围绕一个任务领域。 话题切换大 → 另开会话，而不是混聊。
- 无关信息及时清理。 已收尾的探索、被否决的方案 → 压缩；不再需要的标签 → 关闭。
- 重要信息外置。 长期规则进 AGENTS.md，关键结论进文件，而非只留在易被压缩的对话里。
「脏」上下文的典型症状：
- AI 不断引用旧任务的假设来回答新问题；
- 回答里混入你没要求的内容；
- 前后说法矛盾，因为早期信息已被压缩或淹没；
- 你自己回看时，已经分不清哪些结论仍然有效。
③ 怎么做（How）
建立三个固定动作：
- 开工前：判断这是「继续旧任务」还是「新领域」——后者直接新开会话。
- 过程中：旁支小疑问走
/btw；临时后续走排队；无关任务不在本会话展开。 - 收尾时：结论沉淀进文件；关闭已完成标签；需要续接就起好名字。
④ 为什么这么做（Why）
- 模型对「语境污染」没有免疫力。 它不会自动声明「这个旧假设已失效」，而是继续受上下文中所有内容影响——包括不该再适用的部分。卫生是你主动划界的手段。
- 纯度决定判断质量。 干净上下文里，每条信息都服务当前任务；混杂上下文里，模型要在冲突信号中权衡，出错率上升。
- 卫生降低长期成本。 及时清理让窗口、费用、视觉噪音都保持在低位；拖到混乱后再收拾，成本高得多，甚至只能靠「全放弃、重开会话」。
- 外置信息对抗有损压缩与遗忘。 对话是易失介质，文件是稳定介质；把重要东西放对地方，才不会在某次压缩后追悔。
- 纪律把方法变成能力。 单次清理人人都会，长期保持才拉开差距——素养本质是稳定执行正确的小动作。
⑤ 这样做的好处
- 产出始终贴合当前任务，不被旧前提带偏。
- 会话可长期信赖：随手续接也不会串味。
- 窗口与费用长期健康。
- 回顾高效：结构清晰，结论与规则各在其位。
- 协作体验稳定：AI「表现」的波动更多来自任务而非混乱上下文。
⑥ 不这么做的问题 / 坏处
- 会话越用越脏 → AI 回答质量随时间神秘下降，还查不出原因。
- 任务边界消失 → 一个会话里什么都有，压缩后信息损失最严重。
- 重要结论只留在对话 → 一次压缩或误删即永久丢失。
- 标签堆积 → 视觉混乱、切换低效，最终放弃多会话优势。
⑦ 举一反三：三个例子
例 1（基础）：切换工作领域时新开会话
📌 场景：上午修支付 bug，下午要做文档站改版。
✅ 做法：下午直接新开会话处理文档站，不在支付会话里追加。
🔍 讲解：两件事语境毫无交集，混聊只会互相污染。「一事一会」是卫生规则中最基础也最有效的一条。
例 2（进阶）：收尾时把结论落盘
📌 场景：一个复杂排查得出了根因和三条修复原则。
✅ 做法：把修复原则写进 AGENTS.md / 项目文档，关闭会话标签；日后任何会话都能直接受益。
🔍 讲解：让最有价值的产出离开易失对话、进入稳定文件——这是把一次性劳动变成长期资产的关键动作。
例 3（挑战）：给一个已经「变脏」的会话做急救
📌 场景：你接手（或自己造成）一个又长又杂、AI 已开始前后矛盾的会话。
✅ 急救顺序：
- 判断当前真正有效的结论有哪些；
- 把它们整理进文件；
- 新开会话，附上整理好的文件作为干净起点；
- 放弃在旧会话里继续纠偏。
🔍 讲解：当污染已经严重，继续在旧上下文里修，成本高于重开。高手懂得及时止损——把有效结论抢救出来，然后在干净语境重新出发。这不是失败，是高效决策。
⑧ 练习题 ×2
练习 1（巩固型）
📝 题目：默写上下文卫生的三条核心规则和九字口诀。
💡 思路提示：从会话边界、清理动作、信息存放三处想。
✅ 参考答案：
text
三条规则：
1. 一个会话围绕一个任务领域，话题大切换就另开；
2. 无关信息及时压缩清理，完成的标签及时关闭；
3. 重要信息外置到 AGENTS.md / 文件，不只留在对话里。
口诀：一事一会、用完即清、重要落盘。🔍 讲解：能默写并真正执行，上下文管理就从「知识」变成了「习惯」。
练习 2（迁移型）
📝 题目：迁移到现实环境：整洁的办公桌 / 电脑文件系统 / 收件箱分别如何体现「分区、清理、重要归档」？这对效率有什么影响？
💡 思路提示：在用区域 vs 归档区域；定期清空带来的认知放松。
✅ 参考答案（示例）：
text
- 办公桌：当前项目摊在桌面，做完归档进柜子，桌面只留进行中事项，
找东西快、心不乱；
- 电脑文件：进行中的工作放固定工作目录，完成后归整到归档目录，
桌面 / 下载目录定期清空；
- 收件箱：定期清空，需行动的转任务、仅供参考的归档、无用的删除。
共性：「活跃区保持少量纯净 + 重要物归档到稳定位置 + 定期清理」，
减少视觉与认知噪音，把注意力释放给真正重要的事——上下文卫生同理。🔍 讲解：上下文卫生本质是数字工作台的整洁习惯。你在现实中认同的整理逻辑，完全可以平移到 AI 会话管理中。
本章小结
| 知识点 | 一句话核心 |
|---|---|
| 1. 上下文是什么 | 模型的唯一世界 = 规则 + 消息 + 附件 + 工具结果 |
2. @ 附件 | @文件 给材料，#行范围 控聚焦，多附件建证据链 |
| 3. 窗口与预算 | 有限资源主动配给，省窗口、留余量、控成本 |
| 4. Compaction | 有损续命：摘要换空间，关键信息先外置 |
| 5. 上下文卫生 | 一事一会、用完即清、重要落盘 |
下一章进入规则沉淀层：《AGENTS.md 持久化规则》——如何把你的规范、偏好与禁区写下来，让每个会话自动遵守，把个人经验变成可复用的团队资产。