上下文比提示词值钱一万倍

一个「看病」的比喻，把这事讲透了

你去医院，见到医生，坐下的第一句话往往是：「大夫，我这儿不舒服……」然后你开始说症状。但一个合格的老中医，绝不会急着开方子，而是先问你一堆看似无关的话：平时几点睡？最近吃了什么？以前有没有类似的毛病？

为什么？因为同样的一个症状，背后的病因能差出十万八千里。你不说清「病史」，他就只能按最常见的病试，试错了再换，折腾好几轮。

把 AI 当成那个医生，就全想明白了。

同样是让 AI 做一个东西，一个人上来就说「帮我做个能抓链接、自动整理、还能搜索的软件」，剩下的全靠 AI 猜。AI 不知道你做给谁用、用什么技术、之前踩过哪些坑，它只能给一套四平八稳的通用方案，大概率不是你想要的。

另一个人，先把自己的项目背景、目标用户、之前踩过的坑，像病史一样一字排开丢给 AI，再让它给方案。AI 一看就懂，「对症下药」。

不是 AI 水平有高低，是你给的「病史」有厚薄。这就是今天要讲的：上下文，远比提示词值钱。

提示词是「方子」，上下文是「病史」

很多人误以为，让 AI 干活的关键是「把话问漂亮」，找一句神级提示词就一劳永逸。这是本末倒置。

打个比方：提示词是你希望 AI 开出的「方子」，上下文是 AI 判断该怎么开方依据的「病史」。你病史都不给，光要一个神奇的方子，医生只能瞎开。

AI 确实被喂了大量知识，但它不知道你的具体情况。开个玩笑更像一点：AI 是个被过量知识塞满、又被清空了「个人记忆」的「小呆瓜」。它没有你的立场、经历、上下文，你喂什么，它只能基于什么来答。你什么都不喂，它就只能给你最通用、最没用的那套。

这也是为什么同一个模型，有人用成天才，有人用成呆子。差别不在模型，在你有没有把「病史」喂给 AI。

给 AI 喂上下文的三种姿势

那具体怎么喂？没法一次性说全，但有三招最常用，能覆盖八成场景。

第一招，丢文档。 把一个项目的产品定义、架构、技术选型都丢进文件夹，让 AI 先读。过来人的经验是：真正做项目前，文档要精简，不用啰嗦和类比，因为 AI 完全理解，喂三份精炼的文档，它就能直接开干。

第二招，喂例子。 你想要的输出长什么样，直接给它看一个样本。想要某风格的文章，丢一篇范文；想要某格式的报告，丢一份示例。AI 对「照着这个来」的理解，比对「达到某某标准」的理解精确得多。

第三招，搭「长期病历」。 把你长期不变的背景、偏好、规矩做成一份长期上下文，让它每次都带着。像 CLAUDE.md 这类全局配置，本质就是把你这个人的「病历」长期固定在 AI 的脑子里。上下文不是一次性的，是可积累的资产。

姿势	怎么喂	适合
丢文档	项目背景文档塞进文件夹	做产品、写代码
喂例子	丢一篇范文/示例	写文章、出报告
搭长期病历	全局配置固定你的偏好	长期协作的 AI

省一分钟，赔一小时

很多人嫌喂上下文麻烦，觉得「直接说需求多省事」。但你省掉的那一分钟，会在 AI 的输出里放大成一堆返工成本。

不喂上下文，AI 给你一坨四不像，你来回改三遍，每遍都烧 token、烧时间。喂好上下文，它第一版就基本对路，你只需要微调。这笔账，怎么算都划算。

还记得开头的医生吗？你多花三分钟把病史说清，医生一次就能开出对路的方子。你要是嫌麻烦只说一句「不舒服」，那就等着在多轮试错里耗时间吧。

上下文工程，正在变成比提示词更核心的能力。提示词教你怎么「说」，上下文教你怎么「喂」。前者决定 AI 懂你多少，后者决定 AI 是天才还是呆子。

高手和普通人的差距，往往不在最后那一下的灵光，而在最开始那分钟的准备工作里。下次用 AI，别急着敲需求，先问自己一句：我有没有把该给的「病史」喂进去？

---

你上次让 AI 干件事，翻车了几轮才跑通？评论区说说，我帮你看看是不是「病史」没给够。

觉得这篇有用，点个「在看」，别让更多人继续「找 AI 瞎猜」了。