問題 5 / 5

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？

Q: 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？

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。

Q: 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？

百萬模式下每輪對話都會重新計算龐大的歷史紀錄，要解決配額與延遲問題，重點在於控管歷史紀錄的膨脹速度。建議嘗試以下優化作法：設定合理的自動壓縮點：將 model_auto_compact_token_limit 降至 60 萬至 70 萬之間，提早觸發摘要機制，避免 Context 長期維持在高檔運算。善用分支會話（Session Splitting）：當完成特定模組的開發後，及時開立新的對話 Session，僅將「上一階段的產出結果」貼入新會話，斷開無關的推理過程。減少無效的工具調用：限制 AI 自主執行過於頻繁的全專案搜尋（如 grep），改由人工精準指定檔案路徑，能大幅減少 Token 的暴增。

Q: 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」？

最靈活的策略是建立終端機的指令別名（Alias），將預設環境留給輕量任務，需要時再一鍵切換至百萬模式。你可以將全域設定檔保持在預設的 27 萬 Token，並在 Shell 設定檔（如 .zshrc 或 .bashrc）中加入專用別名。例如設定 alias codex-max="codex -m gpt-5.6-sol -c model_context_window=1000000 -c model_auto_compact_token_limit=900000"。這樣一來，平時處理單一 Bug 修復或寫測試時直接輸入 codex，享有極速回應與省額度好處；當需要進行跨模組架構重構時，只需改用 codex-max 啟動，就能立刻解鎖完整記憶庫，達成完美的分工平衡。

Q: 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？

這項設定的核心目的在於預防模型在生成程式碼的過程中「撞牆硬斷」。當模型的 Context Window 上限為 100 萬時，這個數值包含了「輸入（Prompt + 歷史紀錄）」與「輸出（AI 當下產出的程式碼）」的總和。如果將自動壓縮點設定在滿額的 100 萬，模型很可能在對話紀錄達到 99 萬時才嘗試運算，導致剩下的 Token 配額不足以印出完整的程式碼片段，造成輸出強制在中斷處卡死。將壓縮門檻設在 90 萬，代表留出了 10 萬 Token 的安全緩衝區。當對話累積到 90 萬時，系統會自動將早期的對話提煉成精簡摘要，一口氣釋放出數十萬 Token 的空間，確保 AI 在生成大型模組程式碼時有足夠的發揮舞台。

Q: 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？

擁有超大記憶力後，若能搭配強大的環境感知工具與自動化工作流，將能發揮乘數效應。首先，可以整合 Git Hook 與 CLI 工具，在 AI 產出程式碼後自動執行 Linter（如 ESLint、Ruff）與單元測試，並將錯誤報告直接反饋給 AI 進行自我修正。其次，建議搭配 MCP（Model Context Protocol）工具鏈，讓 Codex CLI 不僅能讀取本機程式碼，還能直接拉取遠端資料庫 Schema、API 文件或 Jira 任務單，真正達到全方位的 Context 整合。最後，建立團隊共享的 AGENTS.md 或指令範本庫，將常用的架構規範與 Prompt 模組化，能讓 AI 在百萬 Token 的運算下精準產出符合團隊風格的優質程式碼。

AI 根據文章內容回答

擁有超大記憶力後，若能搭配強大的環境感知工具與自動化工作流，將能發揮乘數效應。首先，可以整合 Git Hook 與 CLI 工具，在 AI 產出程式碼後自動執行 Linter（如 ESLint、Ruff）與單元測試，並將錯誤報告直接反饋給 AI 進行自我修正。

其次，建議搭配 MCP（Model Context Protocol）工具鏈，讓 Codex CLI 不僅能讀取本機程式碼，還能直接拉取遠端資料庫 Schema、API 文件或 Jira 任務單，真正達到全方位的 Context 整合。最後，建立團隊共享的 AGENTS.md 或指令範本庫，將常用的架構規範與 Prompt 模組化，能讓 AI 在百萬 Token 的運算下精準產出符合團隊風格的優質程式碼。

其他問題

Q1 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？ 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？