缺少上下文导致的错误

AI 模型从训练数据中掌握了大量信息，但除非您告知，否则对您的具体情况一无所知。假定模型掌握了它并不了解的信息的提示词，会产生泛泛正确、却对具体情境毫无用处的回答。

“修复错误。”——是什么错误？在哪段代码中？当前行为是什么？应该改成什么？

模型会自行编造答案，而不是告诉您信息不足。这个编造的答案几乎从来都不是您真正需要的。

除非您提供，否则模型并不知道以下信息：

• 您的具体代码、项目或文档
• 您的公司、产品、品牌或客户
• 您在之前会话中进行的对话（每次会话都会从头开始）
• 您之前尝试过什么，以及为什么失败
• 您的个人偏好、风格或标准
• 您的受众背景
• 您的环境约束（技术栈、预算、截止日期）

模型对您任务的全部了解，都必须来自当前会话。

“修复错误”是典型的上下文缺失提示词。模型没有获得以下信息：

• 使用什么语言或框架
• 代码应该做什么
• 代码实际在做什么（症状）
• 出现了什么错误或不正确的输出
• 尝试过什么但没有奏效

完整的修复错误提示词会提供全部五项信息：“这个 Python 函数应该返回列表中所有偶数的总和，但对于 [2,4,6] 返回了 0。代码如下：[粘贴代码]。错误是……”

“从我们上次停下的地方继续。”——这是一个常见错误，暴露出一个根本性的误解：模型不会跨会话记忆。

每次新会话都会完全从头开始。模型无法访问之前的会话，即使您使用的是同一个账户或工具。如果需要使用之前会话中的上下文，您必须将其明确粘贴到当前会话中。

某些工具（例如 Claude Projects 或自定义记忆系统）提供跨会话上下文，但这是工具的功能，并非模型固有的能力。

一种常见的上下文错误，是假定模型拥有与您相同的隐含背景知识：

• “让它符合我们的品牌”（什么品牌？品牌指南是什么？）
• “像上次一样写”（模型无法访问上次的内容）
• “使用与其他报告相同的格式”（请粘贴格式或提供一份示例报告）
• “与我们讨论的内容保持一致”（如果这是新会话，那么之前什么也没有讨论过）

解决方法始终相同：把隐含信息明确说出来。说明您假定模型已经知道的内容。

上下文注入，是指明确提供模型正确回答所需的背景信息。常见方式有三种：

粘贴相关内容：直接将代码、文档、电子邮件或数据包含在提示词中。

描述情境：在任务指令之前，用 2—5 句话概括相关背景。

说明约束：提及环境、技术栈、受众以及任何相关的既有决策。

上下文注入可以将模型的通用知识转化为针对具体情境的回答。

对于复杂任务，请在任务指令之前，使用带标签的部分来组织上下文：

并非所有上下文都同样有价值。上下文过少会产生泛泛的输出；上下文过多则会将相关信息埋没在噪声中，还可能使实际任务指令在提示词中距离开头太远。

可以通过以下问题校准上下文深度：一位认真负责的人类专家需要了解什么，才能做好这项任务？

• 应包含：受众、目的、约束、领域特定术语、相关的既有决策
• 应排除：任何人都已经知道的背景、无关的历史、偏离主题的细节

一个实用原则是：上下文应具体到这样的程度——陌生人无法将其用于另一家公司或情境来撰写同样的内容。

由于模型没有跨会话记忆，解决方法是使用可复用的上下文简介——在每次处理某个反复出现的主题时，于会话开头粘贴一段标准上下文：

另一种相关的上下文缺失错误是不完整规范：提供了一些上下文，却不足以让模型处理边界情况。

例如：“编写一个按订阅状态筛选用户的函数。”

数据结构是什么？有效的状态值有哪些？没有状态的用户应该如何处理？是否区分大小写？如果列表为空，应该返回什么？

模型会为所有这些问题自行作出假设，而这些假设可能是错误的。完整的规范会明确考虑边界情况。

对于与代码相关的提示词，提供以下最小上下文集合，就能稳定地产生有用的输出：

• 语言和版本：Python 3.11、TypeScript 5.0
• 框架：FastAPI、Next.js、React Native
• 代码应该做什么：预期的输入和输出
• 当前哪里出错：症状和错误消息
• 尝试过什么：避免重复已经失败的方法
• 约束：不得使用外部依赖，必须在 50 毫秒内运行

这组最小信息消除了 AI 代码建议最常见的问题：从总体上看是正确的，却不适用于您的具体情境。

一名开发者发送了以下提示词：“帮助我优化这个。”，除此之外没有提供任何信息。最准确的描述是什么？

当提示词假定模型掌握它并不了解的信息时，就会出现上下文缺失错误——例如您的代码、您的品牌、之前的会话以及团队的决策。模型会用假设填补这些空白，从而产生泛泛的或错误的输出。

解决方法是注入上下文：粘贴相关内容、描述情境，并明确说明约束。对于反复出现的任务，可复用的上下文简介能够解决跨会话记忆问题。对于代码任务，请始终包含语言、框架、输入和输出、当前行为以及约束。

在本课程的最后一课中，您将把这些课程内容整合起来，形成一份系统化的提示词调试清单。