想象您在给朋友讲一个很长的故事，但当说到笑点时才发现他们已经忘了开头。这种挫败感，正是当 AI 的“短期记忆”耗尽、不得不丢弃关键信息以腾出空间时会发生的事情。
在大型语言模型（LLM）的世界里，这种注意力跨度由上下文窗口来定义。
随着模型变得更强、上下文更大，理解这些窗口如何工作，便成为构建可靠、可扩展 AI 系统的关键。在本指南中，我们将介绍上下文窗口的基础知识、扩展它们的权衡，以及有效使用它们的策略。
若想走出理论，学习如何在真实的 Python 应用中管理上下文限制，请查看我们的课程 Developing LLM Applications with LangChain。
什么是上下文窗口？
AI 模型的上下文窗口决定了它在生成回答时，工作记忆中可容纳的文本量。它限制了在不遗忘早期交互细节的情况下，一次对话能持续多长。
您可以将其视为人类的短期记忆。它会暂时存储先前对话中的信息，用于当前任务。
上下文窗口会影响诸多方面，包括推理质量、对话深度，以及模型有效个性化回复的能力。它还决定了模型一次能处理的最大输入规模。当提示或对话上下文超出该上限时，模型会截断（切掉）最早的文本部分以腾出空间。
为了更清楚地理解其含义，我们来看看 AI 模型和上下文窗口背后的几个基本概念。
上下文窗口的相关概念
LLM 的三大核心概念是：分词（tokenization）、注意力机制（attention mechanism）和位置编码（positional encoding）。
分词（Tokenization）
分词是将原始文本转换为一系列更小单元（令牌，token）的过程，以便 LLM 进行处理。这些令牌可以表示完整单词、单个字符，甚至是部分音节。模型能够识别的全部唯一令牌统称为其词表（vocabulary）。
例如，句子“Hello, world”可能会被分词为 [“Hello”, “,”, “ world”]。
在训练或推理过程中，每个令牌会被映射为一个唯一整数，模型读取的是这些数字而非原始文本。它会分析这一数值序列，学习令牌之间的关系，并通过预测下一个最可能的令牌来生成新文本。
高效的分词对能装进模型上下文窗口的信息量影响很大。当分词器能用更少的令牌表示文本时，更多内容就能装进同一个窗口。
能将常见词或短语表示为单个令牌的分词器尤其有效，因为它们能减少令牌数量，使模型在上下文限制内处理更长的文档。
注意力机制
所谓的注意力机制是现代 LLM 的另一基础。它帮助模型在生成输出时聚焦输入中最相关的部分。
模型并不会一视同仁地看待每个令牌，而是将当前表示与序列中的所有其他令牌表示进行比较，并为每次比较分配一个得分。这种选择性加权让模型能够处理长序列，更有效地理解上下文。
注意力由三个组件构成：查询（Query）、键（Key）和值（Value）。
-
查询（Queries）：当前令牌向序列其余部分发出的“搜索”信号，以查找相关信息。
-
键（Keys）：序列中每个令牌的标识符，用于确定其与搜索信号的匹配程度。
-
值（Values）：当查询与键匹配时被检索并使用的实际信息内容。
模型会计算查询与键之间的相似度分数，使用Softmax 激活函数将这些分数转换为权重，然后将值按权重求和得到最终输出。
自注意力会将当前令牌与序列中的每个令牌进行比较，这会产生二次方的计算成本：若将上下文窗口加倍，所需的计算与内存便会增加至四倍。
随着上下文窗口扩张，成本会迅速升高，因此模型会依赖稀疏注意力、低秩近似或分块等优化来控制计算量。
位置编码
Transformer（驱动现代语言模型）并不天然理解令牌顺序，而是依赖位置编码来融入位置信息。
位置编码会为每个令牌添加一个小的信号，帮助模型理解距离与相对位置关系。
具体的位置信息方法也决定了模型在序列中能可靠追踪关系的距离，从而决定上下文窗口的大小和有效性。下面比较几种常见方法：
-
绝对位置嵌入：模型为序列中的每个位置学习一个独立向量，就像给每个令牌分配一个固定地址。它适用于短序列，但无法处理超出训练范围的位置，因而难以扩展上下文窗口。
-
正弦位置编码：使用重复的正弦和余弦波来编码位置，使每个令牌根据其位置拥有唯一的模式。与绝对嵌入相比，它对未见长度的泛化更好，但在极长序列中会变得不够稳定。
-
相对位置编码：不标注精确位置，而是学习令牌之间的距离。这有助于泛化到更长序列，但整体上下文上限仍取决于模型的架构与内存。
-
旋转位置嵌入（RoPE）：RoPE 通过基于绝对位置旋转每个令牌的向量表示，并计算与其他令牌的距离来编码位置。该方法在序列变长时保持稳定，支持更大的上下文窗口。
-
ALiBi（Attention Linear Biases）：在注意力机制中应用基于距离的简单偏置，使更近的令牌自然获得更高权重。它在长序列中具有良好的可扩展性。
建议您查看这篇关于Transformer 工作原理的教程以获取更详细的概览。
上下文窗口的演进
如果上下文超过上下文窗口，模型可能会截断或忽略最早的部分，从而丢失重要信息。这就是研究人员不断尝试新技术、推动这些边界并实现更长上下文窗口的原因。
专有模型
直到 2022 年，OpenAI 的 GPT 模型一直占据主导地位。2018 年发布的首个 GPT 模型支持 512 令牌窗口。接下来在 2019 和 2020 年的两个版本各将该上限翻倍，GPT-3 达到 2,048 令牌。后续模型不断扩展边界，最高达到 100 万令牌（GPT-4.1）。
近来，OpenAI 已被竞争对手追平甚至超越。Google 的 Gemini 2.5 和 3 Pro 版本将窗口大小同样提升至多达一百万令牌，使一次性处理整本书、大型代码库和多文档工作负载成为可能。
Anthropic 的 Claude Sonnet 4.5 系列目前也在测试同样规模的上下文窗口（测试版），从最初的 20 万令牌扩展而来。
开源模型
Llama、Mistral 等开源模型家族通常处于 10 万至 20 万令牌范围，在保持可本地部署或微调的前提下，提供可观的长上下文性能。
值得注意的例外包括 Llama Maverick，支持 100 万令牌窗口，面向跨长文档的一般性推理。而 Llama Scout 则进一步突破，达到惊人的 1,000 万令牌容量，专为一次性处理整个代码库或法律档案而设计。
规模与精度
然而，就在本周发布的 GPT-5.2 显示出策略上的转变。OpenAI 没有一味追求无限上下文，而是将其最新旗舰限制在 40 万令牌窗口，以“完美回忆”和更强推理能力换取纯粹的规模，避免大型模型常见的分心问题。
上下文窗口大小的差异会影响模型在真实工作流中的表现。扩展的上下文窗口能提升模型的准确性、一致性和长程推理能力，但也需要更多计算，并且更依赖谨慎的上下文选取。
中等规模的模型更高效，仍能处理长文档与较长对话，但面对超大输入时需要合理的结构化处理。
扩展上下文窗口的应用方式
以下用例展示了大上下文窗口模型在真实应用中的优势。
真实世界的应用
当模型有足够空间一次性容纳完整报告、转录、代码库或论文时，它可以跟踪模式、连接远距细节，并从始至终保持连贯理解。这带来了众多应用领域：
-
法律：大窗口使模型能够分析完整合同、对比多份文档中的条款，并跟踪隐藏在长文档中的引用。
-
医疗：团队可以审阅冗长的临床指南、患者病史或多研究数据集，同时保留小窗口会遗漏的重要上下文。
-
科研：大窗口模型能一次性阅读完整论文与综述，并揭示只有在通篇可见时才会浮现的联系。
对话式 AI
更大的上下文窗口让对话式 AI 更自然，因为模型能记住更多对话内容，而不至于遗忘更早的消息。
在客户服务中，这带来了更顺畅、更个性化的互动。模型可以利用过往偏好和先前对话，给出更准确、相关的回复。
多模态推理
扩展上下文窗口通过为文本、音频和视觉提供足够的共同空间，支持跨模态的复杂推理，而非将它们各自独立处理。
当完整转录、视觉帧和相关文字资料都能装入同一窗口时，模型可以跨格式对比细节、跟踪关系，并构建统一的上下文理解。
这消除了在必须分块或摘要时出现的信息缺口，并允许模型一次性对整个输入集合进行推理。
扩展上下文窗口中的挑战
大上下文窗口解锁了强大的模型能力，但随着输入规模增长，也带来了新的性能挑战。即便是先进模型，也难以在极长序列中保持完美的注意力分配，因此并不总能像您期望的那样可靠地使用上下文的每个部分。
“中间丢失”现象
长上下文模型的常见问题之一是“中间丢失”效应。模型通常能较好地记住长序列的开头和结尾，但经常会遗漏或忽视埋在中间的重要细节。这可能导致答案变弱，即使完整上下文都在。
针对重要任务，合理地组织输入有助于避免这一问题。这意味着将内容拆分为清晰的部分，或重复关键点，以免模型忽略它们。
计算成本
随着上下文窗口变大，成本会快速增加。每增加一个令牌，都会扩大注意力计算规模，从而提高推理时间、GPU 内存需求以及整体系统负载。
为此，需要更有效的方式向模型提供信息。诸如选择性检索、分级分块或快速摘要等技术有助于保持输入更小，避免模型超载。
隐私顾虑
大窗口也带来了安全与隐私方面的担忧。提供更多输入，意味着暴露敏感数据的概率更高。
因此，团队需要完善的数据处理规范、脱敏步骤和访问控制，以确保大上下文窗口不会带来新的风险。
质量下降
在很多情况下，不必要或关联度低的信息会增加模型的认知负荷，提升幻觉与错误模式的风险。冗长输入也会引入噪声，扭曲模型对任务的理解。
在实践中，高质量表现往往源于精心策划的上下文，确保模型看到的是正确的信息，而非仅仅是更多的信息。
优化上下文窗口的使用
可采用多种方法以最优化地使用上下文窗口，其中包括检索增强生成（RAG）、上下文工程、分块与模型选型。
检索增强生成
检索增强生成（RAG）的工作方式是：在需要上下文时，从外部数据库中提取附加信息并提供给模型。
RAG 并不会把整份文档塞进上下文窗口，而是将所有内容分别存储，仅检索与当前问题相关的部分。这既保持上下文精简，又能让模型获取所需信息。
其具体做法是使用嵌入或向量搜索来找到最相关的片段，并以干净、结构化的方式把这些片段发送给模型。这样通过引入训练数据之外的相关信息来提高准确性。
上下文工程
上下文工程的重点是提供相关信息，而不是用不必要的细节压垮模型。有效策略包括对长文档进行分段、总结价值较低的部分，并使用轻量级预处理来突出要点。
语义搜索可帮助识别与当前查询相关的文本。您还可以通过将关键信息移到上下文的开头或结尾来改进结果，因为模型更容易记住这些位置。
分块与分段
分块会将长文档拆分为更小且连贯的部分。其思想是基于主题、结构或所支持的任务来对内容进行归组。
这能保持每个块的连贯性，帮助模型集中注意力，而不是迷失在巨大文本块中。若想了解更多，欢迎查看这篇关于高级分块策略的文章。
语义分块会将具有相似含义的句子归为一组，而不是在任意字符限制处切分。它会在自然的断点（如话题切换、段落过渡或节标题）进行拆分。
基于任务的分块更进一步，会围绕您试图回答的具体问题来组织每个块。这样每一部分仅包含与该任务真正相关的信息。
模型选型
涉及整篇文档分析、多文件推理或长时对话的任务，适合使用上下文窗口在 20 万至 100 万范围的模型。对于更聚焦的任务，如摘要、代码审查或短问答，10 万至 20 万范围的模型通常在速度、成本与准确性之间提供更佳平衡。
更小的窗口在强大的检索系统加持下仍能有出色表现。优秀的RAG 系统或 Model Context Protocol（MCP） 可以按需拉取正确的信息，使模型无需把一切都装进记忆。
上下文窗口趋势
在收尾之前，让我们看看与上下文窗口相关的技术正走向何方。
动态上下文窗口
未来的模型架构正从固定大小窗口转向动态上下文窗口。
研究者正在探索将 Transformer 的优势与新的长程记忆系统相融合的方法，从而让模型在不只依赖注意力机制的情况下，进行存储与回忆。
这些架构通过从静态上下文窗口转向会随任务增长的动态记忆层，来突破当下的限制。
具备上下文感知的记忆系统
记忆系统也是创新的另一个方向。未来的模型预计会更多依赖超越单次会话、可随时间提供连续性的上下文感知记忆系统。
这些系统不会把每次对话都当作重新开始，而是将关键偏好、过往决策和反复出现的主题存储在结构化的记忆层中，并在相关时予以调用。
这会将个性化从被动转为主动，让模型更全面地理解用户，并以更高的一致性支持长周期目标。
RAG 的增强
外部检索也在演进。目前，RAG 的工作方式类似搜索引擎，将相关文本拉入提示中。诸如纠错检索增强生成（CRAG）等高级版本已经出现，但这只是开始。
未来，检索将更像内建能力，几乎就像模型拥有自己的外部记忆。它们会在最少用户干预下，自动收集、压缩并再次呈现信息。
持久化记忆
持久化记忆也将改变我们与 AI 的交互方式。模型不会在会话结束后把一切都忘掉，而是会在数天、数周甚至数月间记住重要细节。随着它了解您的风格、习惯与优先级，它可以提供更贴合、更有帮助的回应，而无需您反复重述。
工具如 Mem0 已经在开创这一方法，充当应用与 LLM 之间的专用记忆层。不过展望未来，我们预计这些能力会更多地直接内置于模型架构中，而非依赖外部层。
结论
更大的窗口解锁了全新的强大工作流，但当上下文超载时，也会带来注意力分配挑战、更高计算成本与质量风险。因此，战略性地管理上下文至关重要。
诸如检索增强、语义分块与上下文工程等技术，能在能力不断扩展的同时，帮助模型保持专注、高效与可靠。
展望未来，最佳的 LLM 系统将结合智能工具与对上下文如何影响推理的深刻理解。通过应用这些原则，团队既能获得长上下文模型的优势，也能为进一步突破上下文边界的下一代架构做好准备。
将您的 Python 基础更进一步，参加 Developing Large Language Models 技能路径。该路径旨在引导您从基础代码出发，构建并微调您自己的强大 AI 应用。
想象您在给朋友讲一个很长的故事，但当说到笑点时才发现他们已经忘了开头。这种挫败感，正是当 AI 的“短期记忆”耗尽、不得不丢弃关键信息以腾出空间时会发生的事情。
在大型语言模型（LLM）的世界里，这种注意力跨度由上下文窗口来定义。
随着模型变得更强、上下文更大，理解这些窗口如何工作，便成为构建可靠、可扩展 AI 系统的关键。在本指南中，我们将介绍上下文窗口的基础知识、扩展它们的权衡，以及有效使用它们的策略。
若想走出理论，学习如何在真实的 Python 应用中管理上下文限制，请查看我们的课程 Developing LLM Applications with LangChain。
什么是上下文窗口？
AI 模型的上下文窗口决定了它在生成回答时，工作记忆中可容纳的文本量。它限制了在不遗忘早期交互细节的情况下，一次对话能持续多长。
您可以将其视为人类的短期记忆。它会暂时存储先前对话中的信息，用于当前任务。
上下文窗口会影响诸多方面，包括推理质量、对话深度，以及模型有效个性化回复的能力。它还决定了模型一次能处理的最大输入规模。当提示或对话上下文超出该上限时，模型会截断（切掉）最早的文本部分以腾出空间。
为了更清楚地理解其含义，我们来看看 AI 模型和上下文窗口背后的几个基本概念。
上下文窗口的相关概念
LLM 的三大核心概念是：分词（tokenization）、注意力机制（attention mechanism）和位置编码（positional encoding）。
分词（Tokenization）
分词是将原始文本转换为一系列更小单元（令牌，token）的过程，以便 LLM 进行处理。这些令牌可以表示完整单词、单个字符，甚至是部分音节。模型能够识别的全部唯一令牌统称为其词表（vocabulary）。
例如，句子“Hello, world”可能会被分词为
[“Hello”, “,”, “ world”]。在训练或推理过程中，每个令牌会被映射为一个唯一整数，模型读取的是这些数字而非原始文本。它会分析这一数值序列，学习令牌之间的关系，并通过预测下一个最可能的令牌来生成新文本。
高效的分词对能装进模型上下文窗口的信息量影响很大。当分词器能用更少的令牌表示文本时，更多内容就能装进同一个窗口。
能将常见词或短语表示为单个令牌的分词器尤其有效，因为它们能减少令牌数量，使模型在上下文限制内处理更长的文档。
注意力机制
所谓的注意力机制是现代 LLM 的另一基础。它帮助模型在生成输出时聚焦输入中最相关的部分。
模型并不会一视同仁地看待每个令牌，而是将当前表示与序列中的所有其他令牌表示进行比较，并为每次比较分配一个得分。这种选择性加权让模型能够处理长序列，更有效地理解上下文。
注意力由三个组件构成：查询（Query）、键（Key）和值（Value）。
查询（Queries）：当前令牌向序列其余部分发出的“搜索”信号，以查找相关信息。
键（Keys）：序列中每个令牌的标识符，用于确定其与搜索信号的匹配程度。
值（Values）：当查询与键匹配时被检索并使用的实际信息内容。
模型会计算查询与键之间的相似度分数，使用Softmax 激活函数将这些分数转换为权重，然后将值按权重求和得到最终输出。
自注意力会将当前令牌与序列中的每个令牌进行比较，这会产生二次方的计算成本：若将上下文窗口加倍，所需的计算与内存便会增加至四倍。
随着上下文窗口扩张，成本会迅速升高，因此模型会依赖稀疏注意力、低秩近似或分块等优化来控制计算量。
位置编码
Transformer（驱动现代语言模型）并不天然理解令牌顺序，而是依赖位置编码来融入位置信息。
位置编码会为每个令牌添加一个小的信号，帮助模型理解距离与相对位置关系。
具体的位置信息方法也决定了模型在序列中能可靠追踪关系的距离，从而决定上下文窗口的大小和有效性。下面比较几种常见方法：
绝对位置嵌入：模型为序列中的每个位置学习一个独立向量，就像给每个令牌分配一个固定地址。它适用于短序列，但无法处理超出训练范围的位置，因而难以扩展上下文窗口。
正弦位置编码：使用重复的正弦和余弦波来编码位置，使每个令牌根据其位置拥有唯一的模式。与绝对嵌入相比，它对未见长度的泛化更好，但在极长序列中会变得不够稳定。
相对位置编码：不标注精确位置，而是学习令牌之间的距离。这有助于泛化到更长序列，但整体上下文上限仍取决于模型的架构与内存。
旋转位置嵌入（RoPE）：RoPE 通过基于绝对位置旋转每个令牌的向量表示，并计算与其他令牌的距离来编码位置。该方法在序列变长时保持稳定，支持更大的上下文窗口。
ALiBi（Attention Linear Biases）：在注意力机制中应用基于距离的简单偏置，使更近的令牌自然获得更高权重。它在长序列中具有良好的可扩展性。
建议您查看这篇关于Transformer 工作原理的教程以获取更详细的概览。
上下文窗口的演进
如果上下文超过上下文窗口，模型可能会截断或忽略最早的部分，从而丢失重要信息。这就是研究人员不断尝试新技术、推动这些边界并实现更长上下文窗口的原因。
专有模型
直到 2022 年，OpenAI 的 GPT 模型一直占据主导地位。2018 年发布的首个 GPT 模型支持 512 令牌窗口。接下来在 2019 和 2020 年的两个版本各将该上限翻倍，GPT-3 达到 2,048 令牌。后续模型不断扩展边界，最高达到 100 万令牌（GPT-4.1）。
近来，OpenAI 已被竞争对手追平甚至超越。Google 的 Gemini 2.5 和 3 Pro 版本将窗口大小同样提升至多达一百万令牌，使一次性处理整本书、大型代码库和多文档工作负载成为可能。
Anthropic 的 Claude Sonnet 4.5 系列目前也在测试同样规模的上下文窗口（测试版），从最初的 20 万令牌扩展而来。
开源模型
Llama、Mistral 等开源模型家族通常处于 10 万至 20 万令牌范围，在保持可本地部署或微调的前提下，提供可观的长上下文性能。
值得注意的例外包括 Llama Maverick，支持 100 万令牌窗口，面向跨长文档的一般性推理。而 Llama Scout 则进一步突破，达到惊人的 1,000 万令牌容量，专为一次性处理整个代码库或法律档案而设计。
规模与精度
然而，就在本周发布的 GPT-5.2 显示出策略上的转变。OpenAI 没有一味追求无限上下文，而是将其最新旗舰限制在 40 万令牌窗口，以“完美回忆”和更强推理能力换取纯粹的规模，避免大型模型常见的分心问题。
上下文窗口大小的差异会影响模型在真实工作流中的表现。扩展的上下文窗口能提升模型的准确性、一致性和长程推理能力，但也需要更多计算，并且更依赖谨慎的上下文选取。
中等规模的模型更高效，仍能处理长文档与较长对话，但面对超大输入时需要合理的结构化处理。
扩展上下文窗口的应用方式
以下用例展示了大上下文窗口模型在真实应用中的优势。
真实世界的应用
当模型有足够空间一次性容纳完整报告、转录、代码库或论文时，它可以跟踪模式、连接远距细节，并从始至终保持连贯理解。这带来了众多应用领域：
法律：大窗口使模型能够分析完整合同、对比多份文档中的条款，并跟踪隐藏在长文档中的引用。
医疗：团队可以审阅冗长的临床指南、患者病史或多研究数据集，同时保留小窗口会遗漏的重要上下文。
科研：大窗口模型能一次性阅读完整论文与综述，并揭示只有在通篇可见时才会浮现的联系。
对话式 AI
更大的上下文窗口让对话式 AI 更自然，因为模型能记住更多对话内容，而不至于遗忘更早的消息。
在客户服务中，这带来了更顺畅、更个性化的互动。模型可以利用过往偏好和先前对话，给出更准确、相关的回复。
多模态推理
扩展上下文窗口通过为文本、音频和视觉提供足够的共同空间，支持跨模态的复杂推理，而非将它们各自独立处理。
当完整转录、视觉帧和相关文字资料都能装入同一窗口时，模型可以跨格式对比细节、跟踪关系，并构建统一的上下文理解。
这消除了在必须分块或摘要时出现的信息缺口，并允许模型一次性对整个输入集合进行推理。
扩展上下文窗口中的挑战
大上下文窗口解锁了强大的模型能力，但随着输入规模增长，也带来了新的性能挑战。即便是先进模型，也难以在极长序列中保持完美的注意力分配，因此并不总能像您期望的那样可靠地使用上下文的每个部分。
“中间丢失”现象
长上下文模型的常见问题之一是“中间丢失”效应。模型通常能较好地记住长序列的开头和结尾，但经常会遗漏或忽视埋在中间的重要细节。这可能导致答案变弱，即使完整上下文都在。
针对重要任务，合理地组织输入有助于避免这一问题。这意味着将内容拆分为清晰的部分，或重复关键点，以免模型忽略它们。
计算成本
随着上下文窗口变大，成本会快速增加。每增加一个令牌，都会扩大注意力计算规模，从而提高推理时间、GPU 内存需求以及整体系统负载。
为此，需要更有效的方式向模型提供信息。诸如选择性检索、分级分块或快速摘要等技术有助于保持输入更小，避免模型超载。
隐私顾虑
大窗口也带来了安全与隐私方面的担忧。提供更多输入，意味着暴露敏感数据的概率更高。
因此，团队需要完善的数据处理规范、脱敏步骤和访问控制，以确保大上下文窗口不会带来新的风险。
质量下降
在很多情况下，不必要或关联度低的信息会增加模型的认知负荷，提升幻觉与错误模式的风险。冗长输入也会引入噪声，扭曲模型对任务的理解。
在实践中，高质量表现往往源于精心策划的上下文，确保模型看到的是正确的信息，而非仅仅是更多的信息。
优化上下文窗口的使用
可采用多种方法以最优化地使用上下文窗口，其中包括检索增强生成（RAG）、上下文工程、分块与模型选型。
检索增强生成
检索增强生成（RAG）的工作方式是：在需要上下文时，从外部数据库中提取附加信息并提供给模型。
RAG 并不会把整份文档塞进上下文窗口，而是将所有内容分别存储，仅检索与当前问题相关的部分。这既保持上下文精简，又能让模型获取所需信息。
其具体做法是使用嵌入或向量搜索来找到最相关的片段，并以干净、结构化的方式把这些片段发送给模型。这样通过引入训练数据之外的相关信息来提高准确性。
上下文工程
上下文工程的重点是提供相关信息，而不是用不必要的细节压垮模型。有效策略包括对长文档进行分段、总结价值较低的部分，并使用轻量级预处理来突出要点。
语义搜索可帮助识别与当前查询相关的文本。您还可以通过将关键信息移到上下文的开头或结尾来改进结果，因为模型更容易记住这些位置。
分块与分段
分块会将长文档拆分为更小且连贯的部分。其思想是基于主题、结构或所支持的任务来对内容进行归组。
这能保持每个块的连贯性，帮助模型集中注意力，而不是迷失在巨大文本块中。若想了解更多，欢迎查看这篇关于高级分块策略的文章。
语义分块会将具有相似含义的句子归为一组，而不是在任意字符限制处切分。它会在自然的断点（如话题切换、段落过渡或节标题）进行拆分。
基于任务的分块更进一步，会围绕您试图回答的具体问题来组织每个块。这样每一部分仅包含与该任务真正相关的信息。
模型选型
涉及整篇文档分析、多文件推理或长时对话的任务，适合使用上下文窗口在 20 万至 100 万范围的模型。对于更聚焦的任务，如摘要、代码审查或短问答，10 万至 20 万范围的模型通常在速度、成本与准确性之间提供更佳平衡。
更小的窗口在强大的检索系统加持下仍能有出色表现。优秀的RAG 系统或 Model Context Protocol（MCP） 可以按需拉取正确的信息，使模型无需把一切都装进记忆。
上下文窗口趋势
在收尾之前，让我们看看与上下文窗口相关的技术正走向何方。
动态上下文窗口
未来的模型架构正从固定大小窗口转向动态上下文窗口。
研究者正在探索将 Transformer 的优势与新的长程记忆系统相融合的方法，从而让模型在不只依赖注意力机制的情况下，进行存储与回忆。
这些架构通过从静态上下文窗口转向会随任务增长的动态记忆层，来突破当下的限制。
具备上下文感知的记忆系统
记忆系统也是创新的另一个方向。未来的模型预计会更多依赖超越单次会话、可随时间提供连续性的上下文感知记忆系统。
这些系统不会把每次对话都当作重新开始，而是将关键偏好、过往决策和反复出现的主题存储在结构化的记忆层中，并在相关时予以调用。
这会将个性化从被动转为主动，让模型更全面地理解用户，并以更高的一致性支持长周期目标。
RAG 的增强
外部检索也在演进。目前，RAG 的工作方式类似搜索引擎，将相关文本拉入提示中。诸如纠错检索增强生成（CRAG）等高级版本已经出现，但这只是开始。
未来，检索将更像内建能力，几乎就像模型拥有自己的外部记忆。它们会在最少用户干预下，自动收集、压缩并再次呈现信息。
持久化记忆
持久化记忆也将改变我们与 AI 的交互方式。模型不会在会话结束后把一切都忘掉，而是会在数天、数周甚至数月间记住重要细节。随着它了解您的风格、习惯与优先级，它可以提供更贴合、更有帮助的回应，而无需您反复重述。
工具如 Mem0 已经在开创这一方法，充当应用与 LLM 之间的专用记忆层。不过展望未来，我们预计这些能力会更多地直接内置于模型架构中，而非依赖外部层。
结论
更大的窗口解锁了全新的强大工作流，但当上下文超载时，也会带来注意力分配挑战、更高计算成本与质量风险。因此，战略性地管理上下文至关重要。
诸如检索增强、语义分块与上下文工程等技术，能在能力不断扩展的同时，帮助模型保持专注、高效与可靠。
展望未来，最佳的 LLM 系统将结合智能工具与对上下文如何影响推理的深刻理解。通过应用这些原则，团队既能获得长上下文模型的优势，也能为进一步突破上下文边界的下一代架构做好准备。
将您的 Python 基础更进一步，参加 Developing Large Language Models 技能路径。该路径旨在引导您从基础代码出发，构建并微调您自己的强大 AI 应用。