← 返回全部情报
Every 评测负责人 Mike Taylor:关掉记忆并每任务新开线程,用七类「上下文腐烂」诊断对话变差 的封面

·Blog·员工分享收录 2026-10-18

Every 评测负责人 Mike Taylor:关掉记忆并每任务新开线程,用七类「上下文腐烂」诊断对话变差

上下文工程context rotClaudeChatGPT线程管理

一句话结论

Every 评测负责人 Mike Taylor 关掉 Claude 与 ChatGPT 的记忆,并为每个任务新开线程;他借用 Drew Breunig 与《Context Engineering with DSPy》中的七类失败模式,说明对话变差时该重启、该精简指令,以及把可复用上下文落到本地 Markdown / GitHub 文件里。

打开原文 Every:Why I start a new thread in Claude every time

背景与理念

作者认为记忆有用,但也会把旧偏好和无关指令带进不该出现的对话。关掉记忆仍不够:单线程里上下文会堆到让回答变差,也就是 context rot——模型可能继续执行你已放弃的指示、沿着更早的错误往下推,或漏掉埋在中间的关键细节。

因此他主张:任务一变就开新聊天,哪怕五分钟前还在同一项目上。

具体做法

  1. 关掉记忆,按任务新开线程。同事都知道他把 Claude 与 ChatGPT 的记忆关掉;任务类型或语气一变,就新开线程,而不是在旧对话里硬拐弯。
  2. 用七类腐烂模式做自检。改编自 Drew Breunig《How Long Contexts Fail》与作者即将出版的《Context Engineering with DSPy》:分心(旧模式约束新答案)、混淆(无关细节被当成必用)、忽视(lost-in-the-middle)、漂移(初始目标被冲淡)、冲突(分步喂提示导致早期假设硬顶新信息)、投毒(早期错误污染后续)、欠指定(缺细节只好猜平均答案)。
  3. 冲突与投毒的应对。Microsoft 与 Salesforce 的研究显示,把本可一次给出的提示拆成逐步消息,结果平均差约 39%;作者做客户 PowerPoint 自动化时,先让模型写完整蓝图与议程再动手。投毒一例来自 Gemini 玩《宝可梦》时误记不存在的 TEA 道具并搜了上百回合;错了不要在线程里争辩,应回编辑前一条消息或重新生成,去掉错误痕迹。
  4. 长期把好上下文放进文件。站立偏好每次粘到新聊天顶部;离开长线程前问「一开始知道什么信息就能少走几步或少犯几次错」,整理成交接文件再上传到新线程;常用提示写成 Markdown 存 GitHub,由 agent 按需读取,而不是指望长线程保住细节。

关键数据/例子

文中可核的例子包括:让 ChatGPT 用 Steve Jobs 风格起名时,仅靠说明约 21% 名称以 i- 开头,加入少量 i- 示例后变成 100%;同事 Katie Parrott 的文风指南从 759 词胀到 3855 词后草稿不可用,一篇文章改了 127 稿、累计逾 100 万词,重建后指南缩到 513 词。用公开材料搭的「虚拟 Kyle Daigle」在 12 个问题里有 5 个答 must/should/could 框架,真人采访一次都没提。冲突侧引用「分步提示差约 39%」;投毒侧引用 Gemini 技术报告中的 TEA 回合。

创新点

第一,把「上下文腐烂」拆成可观察的七种症状,而不是笼统抱怨模型变笨。第二,把新开线程当成默认卫生习惯,并用编辑历史替代「纠正模型」的无效争辩。第三,把可复用上下文从聊天历史里抽出来,落到人可审、agent 可读的本地文件。

可否复用

  1. 关掉产品记忆,按任务与语气切换新开线程,避免旧例子偷偷变成硬约束。
  2. 自定义指令尽量短;风格指南膨胀后优先删规则,而不是继续加反馈。
  3. 关键文档只上传当前任务需要的,多文档多问题分线程,重要信息放两端。
  4. 出错就编辑/重生成前一条,而不是在线程里辩论;离开长线程前写交接文件,并把常问答案沉淀进 Markdown / Git 仓库。

笔记会在输入时自动保存。