上下文與記憶
Context Stack 是什麼?AI 讀資訊其實有優先順序
Context Stack 是什麼?AI 讀資訊其實有優先順序
同一個問題,有人問得到精準答案,有人問到的是四不像。差別常常不在提示詞技巧,而在給資訊的順序。
AI 讀資訊不是一視同仁,它有優先序。搞懂這個結構,你就知道重要的話該放哪裡。
你將學到什麼
定義
AI 依層級有順序地讀取不同來源的資訊,越上層權重越高。
五個層級
即時指令、外部資料、對話記憶、使用者設定、模型知識,由高到低。
白話比喻
像一座資訊金字塔。上層決定方向,中層提供依據,下層補足能力。
為什麼要懂
知道層級,你就能刻意把關鍵指令放到最上層,不被舊對話帶偏。
定義
Context Stack 是 AI 在處理任務時,依層級有順序地讀取與使用不同來源資訊的結構。層級越清楚,AI 越能給出精準、一致且符合期待的回答。
核心原則一句話:越上層的資訊權重越高,越下層的權重越低,但可以補充完整性。
白話比喻
想像你在請一位超級助理幫你做事。他會先看你最新的指令,再看你給的背景資料,再回顧你們聊過什麼。
最後才用他自己的通用知識來補洞。順序就是這樣,不會顛倒。
五個層級由上而下
| 層級 | 內容 | 優先序 |
|---|---|---|
| 即時指令層 | 你當下輸入的要求、問題、補充說明 | 最高 |
| 外部資料層 | 你提供的文件、上傳檔案、網頁、工具輸出 | 高 |
| 對話記憶層 | 本次對話中稍早的互動與 AI 對你的理解 | 中 |
| 使用者設定層 | 你設定的偏好、角色、目標、語言、格式 | 較低 |
| 模型知識層 | AI 內建的通用知識、訓練資料與世界知識 | 最低 |
沒有層級意識的人,所有資訊混在一起丟出去,AI 難以判斷重點,結果就是答非所問或前後矛盾。
實際用例
沒管好的版本:一次丟出產品功能、價格、用戶痛點,然後說「幫我寫行銷文案」。AI 產出的東西會像功能介紹,重點不清。
管好的版本:先說目標(指令層),再提供產品亮點(資料層),最後指定風格與受眾(設定層)。同樣的素材,結果完全不同。
對話變長之後要留意 Drift 漂移:記憶層一旦被污染,上層指令會被舊資訊悄悄稀釋。
最常見的誤解是「只要資料給得夠多,AI 就會答得夠好」。事實上過多無關資訊會佔掉 上下文容量,反而讓效能下降。精簡輸入比堆量有效。
第二個誤解是以為設定過一次就永遠有效。設定層的優先序不高,當下的指令會蓋過它,所以重要的事情要在這一輪再講一次。
延伸學習
ChatGPT 很強,但真正讓你下班的是 Google
六小時完整實錄。從「AI 很厲害,為什麼你還是每天加班」這個問題出發,把 Google Workspace 當成真正的工作平台重新設計一次流程 ── Sheets 的資料結構、Drive 與 Docs 的文件流、Gmail 與 Calendar 的通知系統,再用 Apps Script 讓它自己跑起來,最後收斂成一張屬於你自己的 AI 工作能力地圖。
NT$ 4,599
做出你的第一個 Skill
一場快閃直播的完整重製。從搞懂 Skill 的五個層級開始,帶你把一件你每天在做的重複工作,寫成一支 AI 真的會照做的 Skill ── 命名、description、輸入拆解、Workflow 訪談、Output 與 Checks,最後組成一份能通過格式檢查的 SKILL.md。
NT$ 999

