解决 GPT 长程对话“降智”问题：利用 Prompt 检测目标漂移与上下文管理技巧

针对大模型在长程对话中普遍出现的“降智”现象，一位技术社区用户分享了一种基于显式约束的检测与缓解方案。由于 GPT Web 端缺乏上下文压缩功能，在多轮严肃对话（如论文修改）中，受限于有效上下文长度，模型往往会产生“惯性”，倾向于缩小范围或降低目标来回应频繁受阻的指令，而非坚持解决初始问题。为解决这一痛点，用户分享了一个 “ 提示词模板，强制模型在建议绕过问题、降低目标或重新定义预期时，必须明确声明“我正在建议调低预期而非解决问题”，并给出具体原因。这一机制能有效识别模型是否发生了“目标漂移”。实践表明，单靠 Prompt 约束很难完全消除这种惯性，该方案建议的最佳工作流是：在经过一定轮数的对话后，让模型自行总结过程与关键点，并开启新对话进行上下文移交。这一策略不仅适用于 GPT Pro 模型，同样适用于 Codex 等代码生成场景，是当前大模型架构下应对注意力衰减的有效工程化手段。

事件分析

💡 核心观点：大模型的长程降智本质是注意力机制衰减，通过分段会话移交上下文和显式约束Prompt是当前架构下维持输出质量的有效工程手段。