問題 1 / 5

想要充分利用百萬 Context 來重構大型專案,除了改設定檔之外,還有哪些「上下文工程」的小技巧可以避免 AI 吃進太多無效雜訊?

AI 根據文章內容回答
餵給模型過多無關資料會導致注意力稀釋,因此善用上下文過濾策略至關重要。首先,務必設定好專案根目錄的 .codexignore 檔案,主動排除 node_modules、建置產物(如 dist、build)以及大型 log 檔,避免模型將運算資源浪費在無用資訊上。其次,採用階梯式餵入法:先讓 AI 讀取架構圖與核心 API 介面定義,確立重構方向後,再按模組依序導入相關程式碼,而不是一次性把整個專案庫灌進去。最後,養成定期使用 /compact 指令手動觸發壓縮的習慣,在完成階段性任務時主動提煉摘要,機能讓長對話始終保持精準與高效。

其他問題

Q2 開啟 100 萬 Token 模式後,雖然解決了長歷程遺忘的問題,但配額消耗極快且回應變慢,該如何降低運算負擔? Q3 面對日常開發中的不同任務,該如何彈性切換模式,才能兼顧「日常修補的省額度」與「大型重構的高記憶力」? Q4 在設定檔中把 model_auto_compact_token_limit 設在 90 萬而非滿額的 100 萬,這背後的緩衝機制運作邏輯是什麼? Q5 解鎖百萬 Context 之後,下一步還可以搭配哪些終端機工具或工作流設定,讓 AI 寫程式的效率進一步提升?