🎙️ Lecture 02.5: 【AGY 深夜科技沙龍】上下文保潔學:防範 Context Drift(離題漂移)、大腦記憶截斷與動態摘要工程

NOTE作者資訊 (Author Info)

🎧 Episode 02.5 錄音室開場:聊著聊著,AI 為什麼突然變得不聽話了?


🎙️ 第一幕:為什麼對話太長,AI 會離題?解密 Lost in the Middle 與 Attention 衰減


🎙️ 第二幕:三大 Context 記憶清理與保護機制


🎙️ 第三幕:開發者必備的「上下文保潔(Context Hygiene)」四守則


🎧 Podcast 聽眾 Q&A 節目收尾與 NVDA 無障礙閱讀筆記

📌 Episode 02.5 核心技術點名總結


👉 下一堂課:Lecture 03 字母湯與百億旋鈕迷宮:大語言模型(LLM)的物理長相、參數與微調密碼
👉 回課程大綱:學習地圖

🔥 專家級深度思考與實戰挑戰 (Expert Challenge)

以下題目專為尋求真正硬核觀念與專家級實戰能力的學員設計。題目無法從講義表面抄寫解答,請嘗試獨立思考後再點擊展開解析。

❓ 挑戰 1:Hard Truncation (硬截斷) vs Dynamic Summarization (動態摘要) 的資訊熵損失 👉 點擊展開專家解析答案

【實戰情境問題】:在長時間 Vibe Coding 除錯時,直接切掉最早的 50 條歷史訊息(硬截斷)與請 AI 生成一份 500 字摘要(動態摘要),在資訊理論(Information Theory)與資訊熵(Entropy)上有何實質差異?動態摘要可能會誘發什麼連鎖幻覺?

【鑑別點說明】:測試學員是否明白「摘要」過程本質上是一種「有損壓縮 (Lossy Compression)」,可能遺失關鍵程式碼細節。

【專家級解答與深度剖析】: 硬截斷會造成資訊的「斷崖式遺失」,如果開頭定義了全域變數或無障礙架構規範,切掉後 AI 會徹底失憶。而動態摘要雖然保留了高階語意,但 LLM 在生成摘要時會進行次級抽樣與自我詮釋(Re-interpretation),可能將原本精確的 Bug 症狀(如 `IndexError: list index out of range`)模糊化為「發生了陣列錯誤」。若後續對話基於這份帶有偏差的摘要進行推論,會誘發連鎖累積幻覺(Hallucination Cascade)。

❓ 挑戰 2:離題漂移 (Context Drift) 的語意幾何軌跡 👉 點擊展開專家解析答案

【實戰情境問題】:為什麼在一個對話視窗裡同時討論「NVDA 外掛開發」與「重金屬搖滾樂歷史」,AI 後續寫出來的 Python 代碼更容易出現莫名其妙的變數命名與邏輯雜訊?

【鑑別點說明】:從高維語意向量空間(Latent Space)分析模型注意力的偏移現象。

【專家級解答與深度剖析】: Transformer 的每層隱藏狀態(Hidden States)是由上下文所有 Token 的向量加權混合而成。當對話框混入無關的主題(如搖滾樂),相關的語意向量(如 `guitar`, `rhythm`)會在 Latent Space 中持續施加拉力,使模型的激活路徑(Activation Path)偏離純淨的程式碼與無障礙語意區塊,導致生成程式碼時的注意力分配分散,進而提高潛在語法錯誤與無效變數命名的機率。