你的AI越聊越笨？專家揭7種「上下文腐爛」徵兆：何時該開新對話，高效激發AI內容？
ChatGPT要一直開新對話嗎？如果換了任務，或發現AI反覆犯錯、忽略要求，就可以考慮重開。長對話累積的舊指令、早期錯誤與無關細節，可能干擾後續回答，這類問題被稱為「上下文腐爛」（context rot）。
美國科技媒體《Every》的AI評測主管Mike Taylor，每換一個任務就開新對話，甚至關閉了ChatGPT與Claude的記憶功能。他認為，舊資訊可能拖累新任務的表現。如果需要延續工作進度，可以先請AI整理重要事實、已做的決定與下一步，確認內容正確後，再帶進新對話。
Taylor在2026年10月17日的專欄中，將新書《Context Engineering with DSPy》整理的7種上下文問題，轉化成一般使用者能辨認的徵兆。以下整理AI為什麼愈聊愈不準、什麼情況適合開新對話，以及如何保留工作進度。
ChatGPT為什麼愈聊愈不準？舊指令與錯誤會干擾回答
1. 上下文干擾（context distraction）：舊範例框住新答案
Taylor常在AI培訓課上示範：請ChatGPT用賈伯斯（Steve Jobs）的風格替新產品取名。只給文字指示時，21%的名字以「i」開頭（如iPod、iPhone）；再附上幾個i開頭的範例，比例就變成100%。長對話也一樣，前面做過的東西都會變成AI照著走的範例。
徵兆：你要求換方向，AI的建議還是照舊範例的套路。
對策：任務的語氣或類型一變，就開新對話。
2. 上下文衝突（context clash）：早期假設卡住新資訊
微軟（Microsoft）與Salesforce的研究人員在2025年做過實驗：把原本一次交代完的指令，拆成好幾則訊息分批給AI，模擬一般人邊聊邊補充的習慣。結果在寫程式、做摘要等6類任務中，受測模型的表現平均下滑39%。AI常在資訊還不完整時就先猜答案，這個答案會跟你後來補充的內容打架。
徵兆：你補充說明了，AI還是沿著先前的假設做。
對策：Taylor建議把需求一次講完，全部放進第一則訊息；中途發現漏了，就帶著完整需求開新對話。
3. 上下文中毒（context poisoning）：一個錯誤污染後續回答
Google的Gemini 2.5技術報告就描述過這種現象：Gemini 2.5 Pro玩《精靈寶可夢 藍》時，誤以為要拿到只有重製版才有的道具「TEA」才能通過守衛，花了許多個小時找一個不存在的東西。聊天時，AI早期記錯一個事實，之後每版草稿也會照抄。
徵兆：已經更正過的錯誤，又出現在下一版。
對策：Taylor建議不要在同一個對話裡跟AI爭論，因為錯誤和你的抱怨都還留在紀錄裡。不如回頭編輯出錯之前的那則訊息，或重新生成回答。他打了個比方：AI看到紀錄裡有錯，會以為自己在演「一個會犯錯的AI」。
ChatGPT對話太長有哪些徵兆？漏看重點、忽略要求要留意
4. 上下文混淆（context confusion）：無關細節左右回答
AI不太會略過無關資訊，只要寫在指令裡，它就當成有用意、設法用上。Taylor的同事Katie Parrott把給AI的寫作風格指南，從759個英文單字加長到3,855個，結果文章糟到認不出來，一篇改了127版。最後的解法是刪指令，新版只剩513個單字。
徵兆：AI一直扯到跟問題無關的事實、偏好或框架。
對策：Taylor的做法是關閉記憶功能，自訂指令（custom instructions，每次對話自動帶入的設定）也愈精簡愈好。
5. 上下文忽略（context neglect）：中間的細節被跳過
史丹佛大學等研究人員2023年的論文〈Lost in the Middle〉發現，受測模型最記得住開頭和結尾的內容，關鍵資訊如果夾在中間，表現就明顯變差。Taylor也做過實驗：給AI看9份專案文件，把關鍵的錯誤回報放在第6份，再問專案有什麼風險，AI完全沒提到它。
徵兆：其他文件都引用對了，偏偏漏掉夾在中間的關鍵細節。
對策：只上傳需要的文件，不同文件的問題分開在不同對話問；重要資訊放在訊息最前面。
6. 上下文漂移（context drift）：原始目標逐漸失焦
對話拉長後，AI的回答仍然通順，卻慢慢不照你一開始的要求做。Taylor舉例，開頭要求寫程式的AI嚴格遵守Python的程式碼風格規範PEP-8，聊了50則訊息後，它已完全不理。日常使用也常見，要求回答在200個字以內，一小時後又變回原本的長度。
徵兆：AI開始忽略你先前交代的規則。
對策：把固定偏好（拼字、語氣、長度）存成文件，每次開新對話就貼在最前面。Taylor也提醒，對話太長時，Claude與Codex會自動壓縮前面的內容，細節和重要指令可能就此不見。
ChatGPT開新對話如何保留進度？先整理交接資訊
7. 上下文不足（context underspecification）：缺資訊逼AI用猜的
前6種都是資訊太多，太少同樣會出問題。缺了關鍵資訊，AI只能猜，Taylor形容猜出來的是訓練資料的「平均值」，也就是不考慮你處境的通用建議。他經營過50人規模的行銷代理商，知道「價值定價」（依客戶獲得的價值收費）對代理商常常行不通，AI卻一再推薦。
徵兆：回答套在誰身上都說得通。
對策：長對話累積了有用的資訊、卻開始出現上述徵兆時，先請AI寫一份交接文件，整理重要事實、已做的決定和下一步，再帶進新對話。離開前也可以問AI：
這個任務一開始，有哪些資訊如果先知道，就能省掉好幾個步驟或避開錯誤？
把回答裡錯誤或過時的部分刪掉，再貼進新對話。
長期來看，Taylor把常用指令存成Markdown檔、放在GitHub上，讓AI需要時再讀，開新對話時直接拿來用。他在文末寫道，AI不會因為你重開15次而不耐煩，也不會提醒你對話已經一團亂，回答只會默默變差。每次都開新對話，他就能確定AI手上只有自己給的資料。
延伸閱讀：AI只花4小時就做出爆紅遊戲！「80億分之1」模擬人生：如果重新出生，你會在哪個國家？
資料來源：《Every》、Lost in the Middle論文、LLMs Get Lost In Multi-Turn Conversation論文、Google Gemini 2.5技術報告
本文初稿為AI編撰，整理．編輯/ 李先泰