AI优先｜不要把所有信息都塞给AI：学会上下文隔离
用了AI一段时间以后，我越来越觉得，一个很容易被低估的问题是：
上下文太多，也会降低AI的工作质量。
很多人担心AI“知道得不够多”。
于是会不断往一个对话里塞：
- 历史聊天；
- 项目资料；
- 各种文件；
- 以前的结论；
- 新的任务；
- 临时想法；
- 无关背景。
最后一个对话越来越长。
看起来AI“什么都知道”。
但实际效果未必更好。
因为真正高质量的AI工作，不是让AI看到最多的信息，而是：
让它在当前任务里，只看到真正相关的信息。
这就是我越来越重视的：
上下文隔离。
一、上下文不是越长越好
现在很多模型都在强调长上下文。
几十万Token，甚至更长。
这当然是很重要的能力。
但“能放进去”和“应该放进去”，不是一回事。
一个AI理论上可以同时读取：
- 100份合同；
- 几十篇法规；
- 大量聊天记录；
- 几百页项目资料。
但如果当前任务只是：
“检查付款条款有没有风险”，
那么让它同时处理所有其他信息，未必有帮助。
反而可能出现几个问题：
- 重点被稀释；
- 不同项目的信息互相干扰；
- 旧结论影响新判断；
- 已经废弃的方案被重新引用；
- 相似公司、相似合同之间发生混淆。
所以我现在越来越认同一个原则：
上下文不是仓库。
不是把所有可能有用的信息全部塞进去。
而是应该像工作桌面一样：
当前做什么，就只摆什么。
二、一个对话，尽量只做一个专项任务
这是我现在很喜欢的一种工作方式。
不要一个对话里什么都做。
比如同一个法律项目，可以分别建立不同任务：
- 一个对话专门做合同审查；
- 一个对话专门做法律法规检索；
- 一个对话专门做案例研究；
- 一个对话专门整理尽调问题；
- 一个对话负责最终报告整合。
这样做看起来好像“多开了几个对话”。
但实际上更清晰。
因为每个智能体进入任务以后，都知道：
我现在只负责这一件事。
这会明显减少跑题和混淆。
尤其是复杂项目。
如果一个对话从：
项目背景讨论；到合同修改；再到商业谈判；再到法规检索；再到Word排版；
全部混在一起，
后面AI很容易不知道：
- 哪些规则仍然有效；
- 哪些只是当时的临时讨论；
- 现在到底应该优先哪个目标。
所以：
专项任务，尽量专项对话。
三、长期记忆和当前上下文，不是一回事
前面我一直强调：
要养好一个长期智能体，让AI越来越懂你。
这和上下文隔离并不冲突。
因为这其实是两个层级。
长期记忆保存的是：
- 你是谁；
- 你习惯怎么工作；
- 长期规则是什么；
- 稳定偏好是什么；
- 常用工具是什么。
这些信息应该长期存在。
但当前上下文保存的是：
这一次任务真正需要什么。
例如：
- 当前是哪一个客户；
- 当前是哪一份合同；
- 代表哪一方；
- 本次修改重点是什么；
- 有哪些特殊商业安排。
所以更合理的结构应该是：
长期记忆保持稳定，任务上下文保持精简。
AI可以长期认识你。
但没有必要让它每次都背着你过去所有项目一起工作。
四、项目之间尤其要隔离
法律工作里这一点尤其重要。
不同客户、不同项目之间，本来就应该严格区分。
AI工作也一样。
比如A项目里：
客户接受某个风险。
B项目里：
客户完全不能接受。
如果两个项目长期混在同一个上下文里，AI可能会错误迁移以前的判断。
再比如：
一个项目代表甲方；
另一个项目代表乙方。
一个项目要求强势修改；
另一个项目要求尽量促成交易。
这些要求完全可能相反。
所以不同项目最好：
- 不同对话；
- 不同项目文件夹；
- 不同项目指令；
- 必要时不同知识范围。
这样AI才能真正做到：
项目归项目，规则归规则。
五、Subagent的一个重要价值，就是隔离上下文
上一篇讲到Subagent。
我觉得Subagent一个特别有价值的用途，就是：
把局部复杂任务隔离出去。
比如主Agent正在做一个大型法律研究。
其中有一个问题需要查几十个案例。
如果主Agent自己完成整个检索过程，那么大量：
搜索结果；无效网页；错误案例；中间判断；
会全部进入主上下文。
这会让主任务越来越重。
更好的方式是：
让一个子代理专门处理案例检索。
它自己去查；自己筛选；自己验证；
最后只返回：
- 结论；
- 关键案例；
- 来源；
- 需要注意的问题。
主Agent不需要看到全部搜索过程。
这样就实现了：
局部任务局部处理，关键结果回传。
这其实就是上下文隔离最典型的应用。
六、不是所有原始材料都要一直留在主上下文
还有一个很重要的习惯：
原始材料和结论要区分。
比如一个Agent已经读完50份文件。
接下来做综合分析时，不一定要让50份文件的全部内容一直占据上下文。
可以先让AI生成一个结构化中间结果：
- 公司名称；
- 文件类型；
- 关键事实；
- 风险点；
- 引用位置；
- 待核验事项。
然后后续分析主要围绕这份结构化结果进行。
真正需要核验时，再回到原始文件。
这其实和人做项目很像。
律师不会每次写报告都把整个底稿全部摊在桌上。
通常会先形成：
- 底稿索引；
- 问题清单；
- 事实摘要；
- 工作记录。
AI也应该这样。
所以一个好的AI系统应该逐渐建立：
原始材料 → 结构化摘要 → 分析 → 最终结论
而不是每一步都重新把所有原始资料扔进去。
七、上下文里最危险的，是“已经过时但还存在的信息”
长对话还有一个很常见的问题。
早期可能讨论过一个方案。
后来方案已经变了。
但旧方案仍然留在上下文里。
例如一开始说：
交易价格是1亿元。
后来改成8,000万元。
如果对话很长，AI后面某一次仍然可能引用旧数据。
再比如：
原本代表甲方；
后来说改为站在乙方立场重新分析。
旧的甲方分析仍然存在。
这类问题在复杂项目里很常见。
所以我现在越来越倾向于：
发生重大方向变化时，宁可开一个新的任务上下文。
然后把当前有效信息重新整理一遍。
这比让AI在几万字历史聊天里自己判断“哪个版本才是最新”，稳定得多。
八、不要把“记忆”当成“无限堆积”
很多人会觉得：
AI既然能记住更多，那就应该记住全部。
我觉得不是。
好的记忆系统应该具备两个能力：
记住重要的。
以及：
忘掉不重要的。
长期稳定偏好值得记。
一次性临时安排不一定值得记。
已经废弃的方案更不应该继续影响未来任务。
所以未来AI真正重要的记忆能力，不只是“存储”。
而应该包括：
- 分类；
- 更新；
- 覆盖；
- 遗忘；
- 优先级。
否则记忆越多，噪音也会越多。
九、可以建立三层上下文
我觉得比较实用的方式，可以把AI上下文分成三层。
第一层：个人长期上下文。
例如职业、语言、输出习惯、稳定工作规则。
第二层：项目上下文。
例如当前客户、项目目标、交易结构、项目文件、特殊要求。
第三层：任务上下文。
例如：
“今天只审知识产权条款。”
或者：
“这次只查劳务派遣超比例案例。”
任务做完以后，第三层可以结束。
项目结束以后，第二层可以归档。
真正长期保留的，主要是第一层，以及少量经过筛选的项目经验。
这个结构会比“一个无限长的大对话”清晰很多。
十、上下文隔离的目标，是让AI更专注
所以我理解的上下文隔离，并不是故意减少AI的信息。
而是：
控制当前任务真正需要的信息边界。
AI不是知道得越多越好。
而是当前这一步：
- 知道什么；
- 不知道什么；
- 需要调用什么；
- 应该忽略什么；
都应该尽量清楚。
这也是为什么我越来越喜欢：
- 专项对话；
- 专项Agent；
- Subagent；
- 独立项目文件夹；
- 明确的项目指令；
- 结构化中间结果。
这些东西表面上是在“拆”。
实际上是在降低AI的认知负担。
十一、好的AI工作系统，既要会积累，也要会隔离
前面我一直讲：
要让AI形成长期记忆；
要建立知识库；
要积累项目经验；
要让智能体越来越懂你。
但另一面同样重要：
不是所有积累，都应该同时出现在当前任务里。
真正成熟的AI工作系统，应该同时具备两个能力：
长期积累。
以及：
按需调用。
需要的时候，AI能找到以前的经验。
不需要的时候，那些信息不要干扰当前工作。
这和人的工作其实非常像。
一个有十年经验的律师，不会在审每一份合同时同时思考自己过去十年所有项目。
真正成熟的经验，是：
需要的时候能够调出来，不需要的时候不会干扰当前判断。
所以AI也一样。
不要追求：
“让AI永远记住所有东西。”
更应该追求：
“让AI在正确的时候看到正确的信息。”
这可能比单纯追求更长的上下文，更重要。
