Claude 長對話跑題時,重點是重整對話脈絡
3C 產品

Claude 長對話跑題時,重點是重整對話脈絡

TechLab 編輯部·

Claude 用得愈久,愈容易出現一種令人困擾的情況:開首訂好的格式、語氣或工作範圍,過了多輪對話後慢慢失效,模型甚至可能回應另一個問題。XDA Developers 的作者將此稱為「drift」;這是使用經驗的描述,並非 Anthropic 已確認的特定產品缺陷。

對需要以 Claude 處理長篇寫作、研究整理或反覆修訂工作的用戶而言,關鍵限制在於:單靠在對話中不斷追加提醒,未必能穩定地挽回方向。較有效的策略,是把規則移出不斷增長的聊天紀錄,並在錯誤開始累積前重整脈絡。

為何中途補充規則容易失效

XDA 引述的研究和測試指出,模型對長脈絡內資訊的掌握並不平均。Anthropic 的 MRCR v2 測試,要求模型從長達 100 萬 token、含有多個近似請求的對話中找回指定答案;不過,這類測試主要衡量檢索隱藏資訊的能力,不能直接證明模型能否持續遵守格式或工作規則。

另一項由 Microsoft 與 Salesforce 進行、模擬超過 20 萬段對話與 15 個模型的研究則發現:當任務被拆散到多則訊息交代,模型平均表現較一次提供完整資訊低約 39%。這項結果涵蓋 Claude 3.7 Sonnet 等模型,但不應被解讀成 Claude 獨有問題。

可以作出的合理推論是:每次在對話中追加糾正,雖然補上了新規則,原有的錯誤回答和錯誤假設也留在脈絡內。隨着對話增長,規則落在中段,未必是模型最容易優先採用的資訊。

三個較實際的處理方式

1. 把固定規則放入 Project Instructions

若某些要求會貫穿整個工作,例如輸出格式、用語禁則、目標讀者或資料處理原則,應放入 Claude 專案的 Project Instructions,而非只寫在第一則訊息。XDA 指出,這些設定會套用到該專案內的每段對話,因此比聊天中途加入的規則更不易被推到長脈絡深處。

這適合把規則寫得短、具體、可核對,例如「先列出假設,再給建議」或「引用資料時標示來源」。規則愈像一份可執行的工作規格,愈容易在新對話中重複使用。

2. 錯誤一出現,優先編輯原訊息建立分支

當模型誤解某個要求時,直接回覆一則糾正訊息,會讓錯誤回答仍保留在後續脈絡。XDA 作者建議改用編輯功能修正先前的訊息;Claude 會以此建立新的對話分支,讓後續內容由修正後的訊息接續。

這種做法不能保證舊分支完全不會影響系統處理,但至少能避免在同一條工作線上反覆堆疊「錯誤答案+糾正」的組合。它較適合早期發現、且錯誤源自單一指令或關鍵前提的情況。

3. 第二次仍要糾正,就考慮另開對話

若同一問題已反覆偏離,重開對話往往比繼續修補省時。可先要求 Claude 整理一段交接摘要,涵蓋工作目標、已作決定、完成部分與待辦項目,再在同一專案內開新聊天,連同必要規則一起開始。

XDA 引述的多輪對話研究顯示,將完整資訊放入新的單一 prompt,表現可回到接近最佳情況的約 95%;單純在舊對話末段補上摘要,雖可改善約 15% 至 20%,仍未回到單一 prompt 的水準。這也解釋了為何「摘要後重開」通常比「在原串繼續」更值得嘗試。

提示工程之外,是工作流程設計

這些方法的重點不在於把每一句 prompt 寫得更複雜,而是管理模型每次回答時所見的工作脈絡:固定規則放在專案層,局部誤解以分支清理,整體脈絡混亂時以摘要交接重開。

對長期使用 AI 協作的人而言,下一步值得觀察的是,各工具能否更清楚呈現分支歷史、規則優先次序,以及哪些專案文件會完整納入脈絡、哪些只會按需要檢索。在此之前,用戶仍需把「何時該繼續修正、何時該重新開始」納入日常工作流程。

延伸閱讀

AI 輔助說明: 本文由 AI 協助整理。


參考來源

本文根據原文及公開資料整理;資料有出入時,以原文及官方資料為準。

分享:WhatsAppThreadsTelegramFacebook