TL;DR
AI 沒有記憶，Context 就是它能看到的全部。給對 Context，它就聰明；給錯，它就像失憶。掌控 Context，是用好 AI 的關鍵。
這兩年大家多少都用過 AI 聊天工具，不管是 ChatGPT、Claude，還是公司導入的 AI 助理。你可能發現一件很矛盾的事：它明明很聰明，卻常常做出很笨的事。
比如說，明明一開始跟它說好規則，聊一聊它就忘了；或是你跟它講過的背景，下次好像又得重講一次。
就算是 2025 年主流的強大模型（像 GPT-5、Claude 4.5、Gemini 3），也都有這個現象。在理解為什麼會這樣之前，我們要先了解語言模型是怎麼和我們互動的。
Context：每次對話的起點與邊界
不論哪種語言模型，在它們訓練好後，它們的能力和知識就已經被固定下來了。而使用者在與語言模型對話的內容，這些不是一開始就被訓練進模型的內容，我們稱作 Context。
先用一句話解釋：Context 就是這次對話中，AI 眼前能看到的所有文字。
這包括：
- 你跟它的聊天紀錄
- 系統設定（System Prompt，你看不到的、設定 AI 角色的隱藏指令，例如平台偷偷告訴它「你是一個有禮貌的助理」）
- 你貼給它的任何資料
這些全部加起來，就是 Context。
想像你請了一個很聰明但完全不認識你的新員工。每次交辦任務，你都要重新告訴他公司背景、專案狀況、你的偏好。Context 就是你交給他的那份 briefing —— 沒有這份資料，再聰明的人也不知道該怎麼幫你。
而在目前的技術下，每種語言模型的 Context 容量都是有限的，有的大，有的小，簡單說就是「它一次能看多少字」也有上限。 理論上我們每次開一個新對話，模型是不會記得你之前跟它講過什麼的。每次對話的模型都像一張白紙，每次都是全新的開始。
為什麼對話越長，AI 越笨？
這不是錯覺。
你可以把 AI 想成一個幫你做事的實習生：你口頭交代他做 20 個步驟，中間只要有幾步聽錯，最後成果就會歪掉。AI 也一樣。
有研究實際測試過：AI 在處理任務時，每一步都有一定的錯誤機率。假設每個動作有 5% 的錯誤率，聽起來很低對吧？但問題是這些錯誤會累積：
| 對話輪數 | 成功率 |
|---|---|
| 5 輪 | 77.4% |
| 10 輪 | 59.9% |
| 20 輪 | 35.8% |
| 50 輪 | 7.7% |
步驟越多，累積起來就越容易歪樓。這還沒算上 Context 容量塞滿後，模型開始「遺忘」早期內容的問題。
需要說明的是，這主要發生在複雜的連續任務上。如果只是閒聊，錯了你可能也沒感覺。但如果是寫程式、做分析、或是邏輯推理，一步錯就容易全盤皆輸。
這就是為什麼你會發現：剛開始對話時 AI 很聰明，聊了一兩個小時後，它好像變笨了。不是它真的變笨，是 Context 變得太長、太雜，錯誤開始累積。
那些平台怎麼讓 AI「記得」你？
你在 ChatGPT 或 Claude 上可能會覺得：「AI 好像記得我之前說過什麼」。
但實際上，模型本身是完全沒有長期記憶的——像金魚腦一樣，每次對話都是從零開始。
那為什麼感覺它記得你？因為平台在背後幫它「帶小抄」：
- 摘要歷史：平台把你之前的對話整理成摘要，塞進新對話的開頭
- 動態搜尋：當你問問題時，平台偷偷去翻你的舊資料，把找到的內容一起丟給模型看
所以真相是：AI 不是真的記得你，而是每次都在看一份「精簡過的你和它的歷史」。
這個「記憶」是假象，但也是很聰明的設計。只是你要知道，這些「記憶」也佔用 Context 的空間。
為什麼控制 Context 是一切的關鍵
當我們了解 Context 是什麼後，大家會逐漸發現，依照語言模型的特性，如何精準掌握 Context 變得攸關重要。
因為在語言模型的演算法特性中，Context 跟任務的相關性越高，產出的品質越好；越低則越差。所以如果我們要讓 AI 發揮能力，關鍵就在於：怎麼提供高品質的 Context。
Anthropic（Claude 的開發公司）在 2025 年提出了一個觀點：我們應該從「Prompt Engineering」轉向「Context Engineering」。
差別在哪？
- 舊思維（Prompt Engineering）：「我該怎麼表達這個指令？」
- 新思維（Context Engineering）：「什麼樣的 Context 配置，最有可能讓模型產出我要的結果？」
用做菜來比喻：
- 過去的做法是：「我教你一步一步怎麼做菜。」
- 新的做法是：「我把所有食材和口味偏好告訴你，讓你自己決定怎麼煮最好吃。」
這個轉變很重要。過去我們專注在怎麼「問」，現在更重要的是怎麼「給資訊」。
怎樣算是好的 Context？
Anthropic 給了一個很精準的定義：找到最小但最相關的資訊組合，來達到最好的結果。
翻譯成白話就是：給的資訊要精準、相關、沒有廢話。
Context 不是越多越好。塞太多不相關的東西，反而會讓模型分心、迷失在雜訊中。就像你交辦任務給員工時，如果 briefing 裡面塞了一堆不相關的公司歷史、去年的專案紀錄、其他部門的八卦，他反而會搞不清楚重點在哪。
好的 Context 應該：
- 和當前任務高度相關
- 沒有多餘的雜訊
- 包含完成任務所需的關鍵資訊
- 結構清晰，讓模型容易理解
實際例子：同樣的問題，不同的 Context
舉個例子：
沒給 Context：
「幫我寫一封信」
→ AI 給你一封普通的制式信，什麼都沒針對。
給了基本 Context：
「幫我寫一封信給合作三年的客戶，對方最近剛換主管，語氣要正式但親切」
→ 結果完全不一樣，至少有針對性了。
給了完整 Context：
除了上面那些，你還提供：
- 客戶的基本資料
- 過去和客戶來往的 email
- 這次寫信的目的和背景
- 你們公司和對方的合作歷史
→ AI 產出的品質再上一個層次。
差別在哪？就是 Context 的質量。
如果你不想那麼麻煩，至少記住一個懶人公式：
對象是誰 + 目的是什麼 + 語氣怎麼拿捏
只要把這三件事講清楚，AI 產出的東西就會比一句「幫我寫一封信」好很多。
從「教 AI 怎麼做」到「給 AI 足夠的資訊」
前面提到，我們正從「Prompt Engineering」走向「Context Engineering」。用另一個角度來看，就是：從「教 AI 怎麼做」，變成「給 AI 足夠的資訊讓它自己決定怎麼做」。
過去在語言模型能力不足的情況下，我們給的 prompt 大多是指導 AI 該怎麼做、要遵守哪些步驟。那時候的 AI 比較像是需要詳細指令的新手。
而現在語言模型的智力和能力上來後，情況不一樣了。2025 年的模型已經夠聰明，它們知道怎麼做事。我們更多的是在提供語言模型足夠的相關內容，並藉由它的能力進行好的產出。
在 Anthropic 自己內部，他們觀察到一件有趣的事：一年之內，工程師使用 AI 的比例從 28% 漲到 59%，而且自評「產能變高了」的人也大幅增加。真正改變他們工作的，不是模型又升級了多少，而是大家越來越知道要怎麼餵對 Context。
結語
理解 Context，是跟 AI 協作的第一步。
當你知道 AI 的世界只有 Context，你就會開始思考：我該怎麼把對的資訊放進去？怎麼讓它看到它需要看到的東西？怎麼避免塞太多雜訊讓它分心？
下次你覺得 AI 變笨時，可以記一個簡單的心法：
先想「我要給什麼資訊」，再想「我要下什麼指令」。
先不要急著想「我要下什麼指令」，而是問自己：「如果這是一個新人來幫我，我會把哪些背景、資料、限制條件告訴他？」把這些寫進去，就是在做 Context Engineering。
後續我們會用不同篇幅來描述具體上我們要怎麼好好地控制 Context，而這項技術就叫做 Context Engineering。