你有详尽的写作风格指南、完整的内容简报和丰富的参考资料——但AI输出质量却忽高忽低。更令人困惑的是：上下文越长，输出反而越差。AI开始“忘记”指令、捏造数据、生成模板化内容。
问题不在于提示词不够详细，而在于已超出AI的“最佳工作区间”。
为什么你的AI写作质量越来越差？
根本原因并非模型能力不足，而是上下文管理失控。持续添加内容、修改与反馈会使上下文长度悄然膨胀，最终超出模型有效处理范围。
建议将上下文管理视为SEO写作流程中的核心技能，而非事后补救的技术问题。
“上下文腐烂”现象
语言模型对上下文中部信息利用率最低；关键信息位于开头或结尾时表现最佳，中段则显著下降——这一现象被称为“Lost in the Middle”。
“上下文腐烂”（Context Rot）指：即使任务简单，模型性能也随输入长度增加而系统性下降。
更大的上下文窗口并不等于更高有效容量。例如Claude虽支持200,000 tokens，但稳定输出的“有效上下文长度”远低于该值。
最优Token区间：800–2,000的甜蜜点
Particula研究指出存在明确的token性能分界：
| Token区间 | 状态 | 影响 |
|---|---|---|
| 800–2,000 | 甜蜜点 | 大多数模型的最佳表现区间 |
| 2,000–4,000 | 收益递减区 | 响应时间增加40–80%，质量开始波动 |
| 4,000+ | 主动退化区 | 可测量的质量下降 |
Claude在约5,500 tokens前能保持准确性，GPT-4在超4,000 tokens后准确率下降12%。若提示词+参考资料超4,000 tokens，输出质量几乎必然受损。
识别上下文问题的三个信号
上下文腐烂发生时，常出现以下三类典型信号：
- 失忆：AI几轮对话后停止遵守既定格式或人设，如明明要求“第二人称”，却转为第三人称。
- 重复：反复询问已回答问题，或复述此前内容。
- 质量滑坡：回复日趋泛化、细节缺失，丧失初始锐度与针对性。
发现上述信号时，切勿通过叠加指令“纠正”——这会加剧恶化。正确做法是启动新对话。
在ChatGPT项目中堆砌大量参考资料、分段生成再逐段调整，极易导致上下文爆炸，诱发AI幻觉，进而拉低写作质量。
详细提示 vs 简洁提示：如何平衡？
“提示词该写多详细？”答案取决于任务类型，而非直觉上的“越详细越好”。
不同任务的Token建议
任务复杂度决定最优提示长度：
| 任务类型 | 建议Token数 | 说明 |
|---|---|---|
| 简单任务（情感分析、分类） | 300–800 | 简洁指令即可 |
| 分析任务 | 1,000–2,500 | 需明确分析框架 |
| 内容生成（SEO文章） | 1,000–2,500 | 完整但精简的指令 |
SEO内容写作推荐控制在1,000–2,500 tokens内，足以涵盖风格要求、读者画像、关键词及结构框架，同时避开质量退化区。
超500词（约2,500 tokens）即进入“提示膨胀”，收益递减效应明显。应优先精选最关键指令，而非堆砌细节。
把关键信息放在正确位置
鉴于AI对中间信息利用率最低，应将最重要指令同时置于上下文开头与结尾：
- 开头：核心任务指令、强制规则、输出格式要求；
- 中间：参考材料、背景信息、次要约束；
- 结尾：重复关键指令、强调优先级、重申核心要求。
提供大量参考资料时，将其置于中间，但务必在结尾重申最关注的要求。