# Ben 的上下文清理小抄：别让 AI 被垃圾信息喂饱

> 原标题：My cheatsheet for a clean context

- 来源：Ben's Bites
- 发布时间：2026-04-16T13:20:49.000Z
- AX AI 日报：https://ai-daily.ax0x.ai/items/1133
- 原文：https://www.bensbites.com/p/my-cheatsheet-for-a-clean-context

## 摘要

Ben 在飞往旧金山的航班上没网，临时下载了 Gemma 4 26B 模型离线干活，顺便分享了他管理 AI 上下文窗口的几条硬经验。核心观点是：别迷信 100 万 token 的超长窗口，他根本不信任那种窗口下的稳定记忆，任务所需的完美回忆不该超过 15 万 token。他建议在上下文用量达到 60% 左右就收手，因为网页搜索会塞进大量你来不及看的 A...

## 推荐理由

这是一份个人工作流笔记，不是产品发布或论文，但给出的 60% 上下文红线和对 1M token 记忆的不信任，对天天跟 agent 打交道的人有直接参考价值。我会先打个折：正文没披露这些数字背后的系统测试，更像经验之谈，但胜在具体、可验证。污染链条那段提醒很实在，长上下文不是越大越好，垃圾进去只会放大。

## 锐评

Ben 这篇东西不是技术论文，是他自己踩坑后的经验总结，读起来像朋友聊天。他直接说“我不信任 100 万 token 的上下文窗口”，理由是长对话里会混进网页搜索带来的 AI 废话、错误信息，而且模型在超长窗口下的记忆并不稳定。他给了一个很具体的数字：上下文用量到 60% 左右就该收手，完美回忆不该超过 15 万 token。这个数字没有引用实验，是他个人的经验值，可以参考但别当金标准。

他还提了几个实操技巧：用独立会话去搜集资料，把多份文档压缩成一份摘要再喂给主任务；跑本地模型时关掉技能加载来加快启动速度。这些做法对经常用 agent 干活的人有直接参考价值。

文章信息量不大，更像一条提醒：别被厂商宣传的超长窗口忽悠，上下文污染是真实问题。正文没披露他具体用 Gemma 4 26B 跑了什么任务、效果如何，也没给出 60% 这个阈值的测试条件。如果你想知道不同模型在长上下文下的记忆衰减曲线，这篇帮不上忙。