老陈有一次把12万字的材料全部塞进对话框，结果换来的是一段谁也不敢使用的摘要。这个事件引发了对上下文窗口的思考，上下文窗口不是用来存储大量数据的仓库，而是像书桌一样的工作空间，需要有策略地管理和运用。为此，提出四种喂料策略和一份四问决策树，帮助用户有效地利用上下文窗口，避免五个常见的翻车点，从而让同一份材料越用越省。这个思考方式对于信息管理和文档编辑具有重要意义。
菜鸟之友系列：《AI 提效实战手册》・第 02 篇作者：业州愚公
老陈这次带着一个更大的任务来找我。他要写一份产业观察，手上有约 12 万字的材料：三份行业报告、两份财报节录、四段访谈逐字稿。
他的做法很直白：全部选中、复制、贴进对话框，然后写一句「请根据以上材料，写一份 3000 字的产业观察」。
结果是——模型写出来的东西，每一句单看都对，连起来却像三个人各写了一篇拼在一起。财报里的数字和访谈里的说法互相打架，它两个都写进去了，而且都写得很肯定。他又追问两次，额度用掉不少，稿子还是不敢用。
他问我：「不是说现在的模型能读几十万字吗？为什么我喂了 12 万字就糊了？」
答案不在模型聪不聪明，而在一个多数人没算过的帐：上下文是有限的注意力，不是免费的仓库。
这三个词每天都在用，但十个人里有八个把它们当成同一件事。
token：计量的尺，不是字数。 模型是按 token 在读的，不是按字。中文大致一个字对应一到两个 token，不同模型的分词方式不同（换算以各官方公告为准）。你贴的每一段，都按 token 计价、也按 token 占容量。
context window（上下文窗口）：一次能同时看多少。 它包含你发的加上它回的，不只你贴的那一份。这是容量上限，不是记忆能力——窗口大代表一次能摊开更多页，不代表它记得你上周说过什么。
记忆：不喂就不存在。 多数模型本身不带长期记忆。你觉得「它记得」，通常是产品把历史对话重新喂了回去——本质还是喂料，只是你没看见。
| 概念 | 它是什么 | 最常见的误解 |
|---|---|---|
| token | 计量单位，计费与容量的尺 | 「等于字数」 |
| context window | 单次能同时看到的总量 | 「等于它能记多久」 |
| 记忆 | 需要外部机制（历史回填、知识库） | 「它自己会记得」 |
把这三个词分开，后面所有的判断才站得住。
老陈以为 12 万字是「材料齐全」，实际上是四件事同时发生。
第一，注意力被稀释。 材料从三千字变成十二万字，最相关的那一段并没有变得更显眼，反而沉了进去。业界对这种现象有个说法叫 lost in the middle——模型的注意力对开头和结尾比较牢，中间那一段最容易被跳过。你把关键数字放在第四万字的位置，就等于把它放在最容易漏掉的地方。
第二，矛盾数据互相打架。 三份报告来自不同时间，统计口径不同。你把它们一起喂进去，等于把「该信谁」这个判断也交了出去。它会挑一个写，而且不会告诉你它挑了哪个、为什么挑它。
第三，成本与等待同步上升。 输入越长，费用越高、等待越久。很多人是月底看到额度见底才反应过来——明明没问几句话，怎么就没了。
第四，超窗之后是静默截断。 超过窗口上限，多数产品不会报错，只会悄悄丢掉一部分（通常是中间或最早的）。你不知道它丢了什么，就无法判断答案有没有缺角。这是最危险的一条：它不会说「我看不完」，而是照着能看到的部分给你一个很有信心的答案。
喂料不是选一种最好的做法，而是四种做法对应四种任务形状。
| 策略 | 做法 | 适合的任务 | 成本 | 主要风险 |
|---|---|---|---|---|
| 全塞 | 一次贴完整份材料 | 一次性的通读总结，材料总量在窗口三分之一以内 | 最高 | 注意力稀释、静默截断 |
| 分块 | 按章节切成 N 块，逐块处理后合并 | 逐章摘要、逐段校对、长文翻译 | 中 | 块与块失去联系，全局结论容易偏 |
| 摘要中转 | 先让它把每块压成笔记，再用笔记做后续任务 | 同一份材料要反覆用 | 首次高、之后最低 | 摘要有损，压掉的细节找不回 |
| 检索 | 建索引，每次只取相关的三到五段 | 长期反覆查的数据库 | 单次最低 | 取不到就缺一块，取错就偏 |
怎么选？看任务的形状：
不用记四种策略的名字，只要按顺序问自己四件事。
第一问：一次性用，还是反覆用？ 一次性 → 进第二问；反覆用 → 直接走摘要中转，材料多到十几万字又持续新增，再升级成检索。
第二问：要整体判断，还是局部细节？ 整体判断（总结、对比、找主题）→ 全塞或摘要中转，重点是让它先看到全貌；局部细节（查一个数字、核一句话）→ 不要喂整份，定位到那一段再喂。
第三问：材料总量相对窗口有多大？ 小于三分之一 → 全塞。三分之一到一个窗口 → 分块或摘要。超过一个窗口 → 一定走摘要中转或检索，硬塞等于赌它截断在哪里。
第四问：错了贵不贵？ 贵（对外发布、涉及金额与承诺）→ 每一步留原文出处，答案要能指回「哪份材料的哪一段」。不贵（内部草稿）→ 可以放宽，先求快。
四问串起来：一次性还是反覆用、整体还是局部、装得下还是装不下、错了贵不贵。 答完，喂法自己就浮出来了。
先说清楚：这是我用同一份约 12 万字材料、同一个「写 1500 字摘要」任务、反覆操作多次后的大致区间。是量级参考，不是定论——正解是拿你自己的材料测一遍。
| 做法 | 完成一次的时间 | 相对额度消耗 | 漏掉关键信息的情况 |
|---|---|---|---|
| 全塞 | 最慢（单次等待最久） | 最高，约为分块的数倍 | 常见，且看不出漏在哪里 |
| 分块后合并 | 中等，可分次进行 | 中 | 少见，但全局结论偏弱 |
| 摘要中转 | 首次最慢，之后最快 | 长期最低 | 少见，细节需回查原文 |
| 检索取三到五段 | 单次最快 | 单次最低 | 取不到就缺，取错就偏 |
这张表能读出两件事：全塞是「看起来最省事、实际最贵」的那一栏——省下贴数据的三十秒，花掉等待与额度；摘要中转是唯一「越用越省」的做法，第一次的投入摊在之后每一次使用上。另外，时间与额度的最低点不在同一栏：单次最快通常是检索，长期最省通常是摘要中转，先想清楚你要省的是哪一种。
打开你最近一次「喂了很长数据」的那个对话，做两个动作就好：
下次要用时，先喂这张卡，再补上真正需要的那一两段原文。这一步十分钟，能让同一份材料之后每一次使用都便宜一截——顺手还解决了「材料放在哪」这个更烦的问题。
老陈那天临走时说：「所以它不是读不完，是我把整张书桌都堆满了书，它找不到我要的那本。」
上下文窗口不是仓库，是书桌。书桌大小决定你同时能摊开几本书，不决定你该把所有书都搬上来。 提效的第一步不是把数据喂完，而是决定这一轮该摊开哪几页。
工具推荐随身机器人（新用户免费试用 7 天）
嫌自己切材料太麻烦？SY 视野的「随身机器人」会替你做前面那道工序：数据进来先读一遍、按你的任务挑出真正要用的段落、把长文件压成可以重复使用的笔记，你只负责在上面动笔。进入 SY 视野（sylogs.com）开通试用——试用 7 天，看看「先挑页再动笔」能省下多少来回。
下一篇预告： 喂料的帐算完了，下一个问题更硬——哪些活可以整包交出去？ 自动化听起来很美，但翻车的代价常常不是时间，而是信誉。《Agent 值不值得用：四种自动化层次与「不该交出去的活」》会给出一张「失败成本」清单，把任务分成可以放心交、要留一手、绝对别交三类。敬请关注。
业州愚公 ｜ SY 视野（sylogs.com）原创内容，转载请注明出处。
编辑评论 / Editor's Note
有效的信息呈现是提高工作效率的关键，尤其是在处理大量文档时，需要采用合理的策略来组织和摘要内容。通过适当的喂料策略和决策树，可以使得信息更容易被获取和利用，从而避免信息过载和降低工作效率。