在前面的章节中，我们学习了如何搭建提示词的四要素骨架，也掌握了如何消除指令中的模糊词。现在，你的提示词已经相对精准、可执行了。
但这往往还不够。很多小伙伴会发现，即便指令写得再清楚，AI 给出的回答依然经常是各种套话、 “不接地气”、甚至偶尔还会 “胡编乱造”（也就是我们常说的幻觉）。
为什么会这样呢？因为大模型拥有的是 “全人类的通用知识”，但它唯独没有 “你的私有知识”。
它知道世界上有无数种退换货政策，但它不知道你公司的退换货政策是什么；它精通各种编程语言，但它不知道你当前项目的数据库表结构长什么样。
如果不把这些具体信息提供给它，它为了完成任务，往往就只能靠 “猜”。这一节，咱们就来聊聊如何为 AI 提供高质量的上下文，补齐这块短板。
什么是上下文（Context）？
上下文，英文叫做 “context”。所谓的 “上下文”，听起来比较专业，但其实非常简单。在提示词工程里，它指的是 “背景资料” 或 “参考信息”。
我们可以把大模型想象成一位能力超强的 “空降高管”。不过他是最近刚入职的，对你们公司的具体业务、客户群体、历史遗留问题一无所知。
如果直接对他说：“去把那个难缠的客户投诉处理一下。” 他大概率只能给你一套标准的、正确的废话流程。
但如果你对他说：“去处理这个客户投诉。这是该客户过去三年的购买记录，这是我们公司针对这类产品的最新售后政策，这是他刚才在电话里的录音转写。” 有了这些上下文，他往往就能给出一个更精准、更易落地的方案。
给 AI 提供上下文，本质上就是：限制 AI 自由发挥的空间，引导它在 “你划定的事实边界” 内工作。这是目前解决大模型 “幻觉” 非常有效的方法之一。
咱们继续使用大学城咖啡店的例子。最简单的提示词是：
请为一家咖啡店写 3 条开业宣传文案。这条指令并没有错，但 AI 只能按照自己最常见的理解去发挥。它可能会写出精致的高端咖啡馆，也可能写成适合商务人士的高端门店，甚至顺手给你编出 “进口咖啡豆” 和 “专业咖啡师” 等并不存在的卖点。
如果补充上下文，此时方向就清楚多了：
我们准备在大学城附近开一家平价咖啡店，主要顾客是 18～25 岁的学生。
店内自习座位较多、插座充足，开业前 3 天第二杯半价。
文案将发布在微信朋友圈中。
请根据这些信息，编写 3 条开业宣传文案。此时，AI 对门店位置、目标顾客、真实卖点和发布渠道有了清晰了解，自然更容易写出适合大学生阅读的文案，而不需要靠空气推测你的生意。
两种常见的上下文
上下文的形式很多，但在日常学习、办公和开发中，我们最常投喂给大模型的上下文，主要分为以下 2 类。
1. 投喂 “背景状态”
背景状态，指的是与当前任务相关的处境、目标和现实条件。比如让 AI 设计开业宣传方案，如果只说：
请帮我设计一份咖啡店开业宣传方案。AI 不知道店铺开在哪、面向哪些顾客，也不知道预算情况，最后可能会建议你请明星代言、投放全城地铁广告，再办一场大型派对。方案听起来气势十足，但现实中往往很难落地。
方案听起来气势十足，就是银行卡有点承受不住。因此，我们可以先补充背景状态：
我们准备在大学城附近开一家平价咖啡店，主要顾客是 18～25 岁的学生。
店铺有较多自习座位和插座，开业预算有限，目前没有专门的营销团队。
开业前三天可以提供第二杯半价活动。这些信息明确告诉了 AI 以下现实条件：
- 店铺位于大学城。
- 目标顾客是学生。
- 核心特色是自习空间和充足的插座。
- 预算与人力有限。
- 已经确定了一项优惠活动。
有了这些背景，AI 给出的方案就会更加贴近实际，例如朋友圈宣传、校园社群推广和低成本到店活动，而不是一上来就建议你包下整条地铁线。
背景状态的作用，就是让 AI 了解你所处的真实环境，避免给出 “理论上很好、但现实中做不到” 的建议。
2. 投喂 “参考资料”
参考资料，指的是希望 AI 阅读、分析或处理的具体内容，比如：
- 一段原始文案。
- 一份规章制度。
- 一张数据表。
- 一段程序代码。
- 用户评价和调查记录。
- 产品说明书或项目文档。
举个例子，希望 AI 从已有资料中提炼卖点：
下面是咖啡店目前已经确定的资料：
（这里粘贴店铺位置、营业时间、产品价格、座位数量、优惠活动等资料）
请只根据上述资料，提炼 3 个适合用于开业宣传的核心卖点。
资料中没有明确提到的信息，请标记为 “待确认”，不要自行补充。这类上下文的重点，不是告诉 AI “我们现在有多困难”，而是给它一份完成任务时必须参考的依据。
如果没有提供资料，AI 只能依靠已有知识和推测来回答；如果提供了资料，却没有划清使用边界，它又可能顺手补充一些看似合理、实际上并不存在的信息。
因此，在处理制度、合同、代码、数据和公司内部资料时，最好明确说明：
请只根据我提供的资料回答，不要自行补充资料中没有的信息。在真实任务中，这两类上下文经常会一起使用：
- 背景状态：决定 AI 应该站在什么角度思考。
- 参考资料：决定 AI 应该依据哪些事实回答。
一个负责告诉 AI “怎么看”，另一个负责告诉 AI “根据什么看”。把这两部分交代清楚，AI 就不太容易一边工作一边偷偷给自己 “加戏” 了。
同一个任务，换个上下文，答案截然不同
很多时候，任务完全相同，只要背景发生变化，答案就应该跟着变化。
假设同样都是 “编写咖啡店开业文案”。
大学城咖啡店：
门店位于大学城附近，主要顾客是学生。
特色是价格亲民、自习座位多、插座充足，开业前 3 天第二杯半价。商务区咖啡店：
门店位于写字楼一层，主要顾客是附近上班族和商务访客。
特色是出餐快、环境安静，可以提前手机下单并提供会议咖啡配送。虽然任务都是写开业文案，但大学城门店应该突出自习、价格和朋友聚会。而商务区门店则更适合突出效率、安静环境和会议服务。
如果不提供上下文，AI 只能从一堆可能性中随便挑一个盲猜，这往往会导致最终结果不符合你的预期。
上下文要具体，避免使用空标签
有些小伙伴虽然知道要提供背景，却只给出一些听起来正确、实际上没有多少信息的空标签。
示例：
我们是一家很有特色、很受年轻人欢迎的咖啡店。
请帮我写一段高质量的宣传文案。“很有特色” 到底是什么特色？价格低、环境安静、咖啡豆特别，还是店里有一只会巡店的橘猫？“很受年轻人欢迎” 又是指学生多，还是年轻白领多？
这些词更像结论，并不是可供 AI 使用的事实。更有效的写法是直接提供细节：
1. 门店位于大学城地铁站附近，步行约 5 分钟。
2. 店内有 40 个自习座位，每个座位附近都可以使用插座。
3. 饮品价格主要在 12～22 元之间，开业前三天第二杯半价。
4. 主要顾客是附近高校的学生。具体信息越清楚，AI 越容易抓住真正的卖点。与其告诉它 “这家店很适合学生”，不如直接把为什么适合学生的证据摆出来。
只给相关信息，不要搬资料仓库
上下文不足会让 AI 靠猜，但信息也不是越多越好。有些小伙伴一听说要补充背景，恨不得把聊天记录、会议纪要、装修方案和老板的个人经历全贴进去。
比如，下面这些信息未必都与开业朋友圈文案有关：
- 老板大学时期喜欢喝手冲咖啡。
- 门店装修方案前后修改了 7 次。
- 收银台旁边摆着一盆朋友送的绿萝。
- 去年曾经考虑过把店名改成 “宇宙咖啡研究所”。
这些内容在特定场景（如写品牌故事）下可能有价值，但如果只是为了写一条突出自习环境和优惠活动的短文案，它们只会把重点越搅越散，毕竟大模型的注意力是有限的。
筛选上下文时，小伙伴们可以快速问自己 3 个问题：
- 缺少这条信息，会不会明显改变答案？
- 它是否与当前任务直接相关？
- 它是否仍然准确、有效，没有过期？
如果 3 个问题都答不上来，就先别急着塞进去。提供上下文不是搬家，没必要把整个仓库都装上车。
此外，小伙伴们还要清楚一点：
错误的旧资料，比没有资料更加危险。
长对话中，关键上下文要重新确认
在多轮对话中，我们经常先讨论方案，再反复修改内容。随着对话越来越长，前面的关键信息可能被后续内容淹没。换到一个新对话后，也不能默认所有平台都会自动带上之前的背景。
因此，在生成最终版本或进入重要步骤之前，我们最好把关键上下文重新整理一遍：
在继续修改文案之前，请以以下信息为准：
1. 门店位于大学城附近，主要顾客是学生。
2. 核心卖点是自习座位多、插座充足和第二杯半价。
3. 文案用于微信朋友圈，语气轻松自然。
4. 之前讨论中如有与以上信息冲突的内容，以本次说明为准。
请根据这些信息生成最终版本。这不是故意重复，而是在给 AI 更新 “当前有效版本”。否则，对话聊了几十轮以后，再让它自己翻聊天记录考古，偶尔挖出一条已经作废的旧要求也是大概率会发生的事。这是一个比较实用的技巧，大家在日常使用中可以多加留意。
