你知道那種感覺。原本俐落的對話到了第四十則訊息，現在給出的答案卻忽略了你一半的指示、與它十則訊息前說過的內容相矛盾，或退回到你一小時前才修正過的通用預設值。沒有任何東西「壞掉」。模型沒有變差。改變的是它在回應你之前必須閱讀的文字堆積量。
長對話中實際發生了什麼
AI 模型給你的每個回覆，都是透過讀取截至當下的整段對話來生成的 - 你的原始指示、每個後續要求、每次修正、每個岔題，以及每一句「其實，你也可以……嗎？」 - 然後預測接下來應該出現什麼。整份逐字記錄稱為上下文視窗，而且對話越長，它不會變小。它會逐則訊息變大，直到承載的文字量遠超過最初的內容。
在對話初期，你的指示幾乎就是全部的上下文。模型的工作很簡單：閱讀一份清楚的簡報並遵循它。到了第三十則訊息，你最初的簡報只占更長文件的一小部分，被數十次針對特定編輯、特定數字和特定一次性要求的交流掩埋。模型在技術上仍然「擁有」上下文中的原始指示 - 但它們現在已被稀釋，必須與大量更新、具體且經常相互矛盾的文字爭奪注意力。
這就是為什麼長對話不會一次性失效。它們會逐漸退化。模型開始對近期訊息賦予比早期訊息更高的權重（這通常是正確的做法 - 近期性通常代表相關性），但當你的基礎規則也存在於同一條逐漸老化的討論串中時，「近期」與「重要」就會混淆。五分鐘前隨口說的一句話，可能僅僅因為它在逐字記錄中的位置，就凌駕於一小時前設定標準的指示之上。
還有第二種更不明顯的代價：模型每次都必須從更混亂的文件中重新推導你的意圖。它不再是乾淨地讀取「你是一位資深成長策略師，總是將輸出整理成 X，並且總是避免 Y」，而是解析同一個想法，只是這個想法已經經過改述、你在對話中途允許的例外，以及只適用於某項特定任務的編輯。需要協調的文字越多，模型就越有可能將內容平均化、使用保守措辭，或悄悄丟掉某項從未再次重複的限制。
人們會採用的兩種修正方式 - 以及為什麼兩者都會造成資訊損失
修正一：向上捲動並重新貼上原始指示
這是最常見的補救方法。你捲回第一則訊息，複製最初的簡介，然後在第四十則訊息中貼回來，再加上一句類似「只是提醒一下，請遵守這些內容。」它大約能維持五個回覆。接著同樣的偏移又會發生，因為你其實沒有改變上下文視窗的運作方式 - 你只是在已經臃腫的逐字稿中，再加入一份指令副本。聊天現在變得更長，訊號雜訊比沒有改善，而你在專案剩餘期間還得不時重複這件事。
修正二：開一個全新的聊天，重新輸入所有內容
另一個常見做法更加徹底：放棄這個對話串，重新開始。這確實能解決稀釋問題 - 新聊天的內容脈絡乾淨且簡短，因此指令能再次被清楚地讀取。但它也會連同雜訊一起丟掉有價值的內容：讓 AI 在這個特定專案中表現良好的實用任務脈絡。你提供給它的範例、已經帶它處理過的邊界案例、你們已經共同做出的決定 - 這一切都消失了。你得從零開始重建，而且還得依賴自己的記憶（或翻找舊訊息），重新拼湊出可能從未儲存在該聊天之外的指令。
這兩種修正方式都只是在處理症狀。兩者都沒有解決根本問題：你的角色、格式和標準除了存在於不斷增長的來回對話堆中，別無所在。
一份精簡、可重複使用的技能檔案，鎖定資深成長策略師的角色、輸出格式與標準 - 讓新的聊天一開始就清晰明確，而不是從空白頁開始。
查看 Sofia - 成長行銷策略師 →更好的解決方法：將訊號與雜訊分開
真正的解決方案不是捲動技巧或重新開始 - 而是改變指令所在位置的結構。與其讓你的角色、格式和標準放在不斷增長的對話串第一則訊息中，不如將它們放進一個小型、獨立的檔案：技能。每當需要時，將該檔案重新載入新的聊天或 Claude/ChatGPT 專案中，接下來的對話就能純粹聚焦於手上的任務。
可以把它想成將一段過去糾纏在一起的對話拆成兩個層次：
- 訊號 - 絕不應改變或被稀釋的內容：AI 代表誰行事、輸出應如何格式化，以及始終適用的標準與限制。這些內容存在於聊天之外的技能檔案中。
- 雜訊 - 這項任務、這一週、這次來回對話中特有的內容：「縮短一點」、「使用這位客戶的數據」、「不，是另一個版本。」這些內容存在於聊天中，而且變長也沒關係，因為它不會與你的核心指令爭奪模型的注意力。
當這兩個層次分開後，長期專案就不再是一個持續衰退的超長聊天，而會變成一連串乾淨的聊天；每個聊天都從 Skill 檔案載入完全相同、明確銳利的指示集，也都能自由地針對實際工作持續進行，而不必再次爭論「什麼才算好」。你可以獲得修正二的新鮮感（新的聊天、乾淨的上下文），卻不必承擔修正二的成本（憑記憶重新輸入所有內容），因為這些指示從一開始就沒有被困在舊對話串中。
這也解決了兩種不當修正方法都無法觸及的問題：跨工作階段的一致性。如果你的標準只存在腦中，而每次重新輸入時都略有不同，品質不只會在單一聊天中漂移，也會在不同專案之間漂移。Skill 檔案每次都是同一份檔案 - 只需版本化一次，在學到新內容時加以改進，而每個未來的聊天都會立即繼承這項改進。
分析類對話串通常很長 - 儀表板、事件結構、報告週期。Rafa 將分析標準固定在 Skill 檔案中，確保專案第六週仍遵循與第一天相同的嚴謹程度。
查看 Rafa - 行銷分析專家 →實際運作方式
假設你正在進行一項持續數週的合作 - 例如成長稽核、持續進行的分析建置，或與客戶合作的顧問專案。與其使用一個逐漸失去重點的超長聊天，不如採用以下模式：
- 你的角色／格式／標準都放在 Skill 檔案中（一份簡短、有結構的文件 - 就像你會貼上的系統 prompt，或 Claude／ChatGPT 專案指示）。
- 每個工作階段，或專案的每個新階段，都會在載入該 Skill 檔案的新聊天中開始。
- 聊天本身可以依實際任務需求變得多麼冗長、混亂都沒關係，因為基礎指示不會跟著同一份逐字稿一起累積，也不會被較新的文字蓋過。
- 當你學到某件應套用於未來每次工作階段的事項 - 例如格式偏好或你總得反覆說明的限制 - 你只需編輯一次 Skill 檔案，而不是之後每次聊天都重新輸入。
整體而言，長期專案中的品質會維持穩定，而不是逐漸下滑。你不必對抗上下文視窗；你只是沒有要求它去做一件它本來就不擅長的事，也就是充當你永久保存固定指示的記憶。
接受麥肯錫訓練的結構化思考，每次工作階段都重新載入 - 因此長期顧問合作不會承襲某個過度負載對話串的偏移。
查看 Thomas - 商業顧問 →輸入你（或你的團隊）實際使用 AI 對話的方式，取得重新輸入 prompt 與使用持久 Skill 檔案之間，實際每月 Token 浪費量和費用的估算。不用註冊、不用提供電子郵件 - 只套用這篇文章的計算方式到你的數字。
試用計算器 →常見問題
為什麼 AI 似乎會「忘記」我在同一個對話中較早提供的指示？
它並沒有真的忘記 - 文字仍然存在於上下文視窗中。但隨著對話持續增長，你的原始指示在模型必須權衡的全部內容中所占的比例越來越小，而較新的訊息往往會對回覆產生更大影響。結果看起來像是忘記了，但實際上是被稀釋了。
開啟新對話不是最簡單的解決方法嗎？
它解決了稀釋問題，卻帶來另一個問題：你會失去讓 AI 對這個特定專案發揮作用的任務情境，而且必須記住（或翻找）原始指示，再次把它們打出來。Skill 檔案讓你享有新對話的乾淨情境優勢，卻不必付出記憶成本，因為你的固定指示完全存在於對話之外。
Skill 檔案和更長、更詳細的 prompt 有什麼不同？
更長的 prompt 仍然存在於對話中，也會和其他訊息一樣逐漸失效 - 它同樣會在冗長的對話串中受到稀釋。Skill 檔案則獨立於任何單一對話之外：你會在每次開啟新對話或專案時重新載入它，因此它不會與近期訊息爭奪模型的注意力，也不會累積特定任務的雜訊。
