Context 越長，AI 越容易自圓其說
最近一個 Reddit 帖子讓我改了一個用了快一年的 AI 工作習慣。
原文說的是：把長推理鏈拆成短回合、多次重啟和切題，反而比讓 AI 一口氣想完更快收斂。作者的比喻是給 OpenClaw 加了點 ADHD。
老實說看到的時候第一反應是：這不就是在幫 AI 分心嗎？但仔細想了一下，這跟我在 Growth 工作流裡踩過的一個坑完全吻合。
長 context 的陷阱
我們公司每個月都要跑 landing page copy 的 A/B test。以前的流程是：把所有 brief（ICP、競品、現有文案、測試假設）一次丟給 Claude，請它產 10 個變體。
結果大概是這樣：前三個 variation 還不錯，到了第 7、8 個，文案開始出現一種很奇怪的「自我重複」。不是字面上重複，是邏輯上的迴圈——它在替你現有的假設找更多理由，而不是探索新角度。
數據上的反映很直接：這樣跑出來的 10 個 variation，最後只有 2-3 個有統計顯著差異，而且大多集中在前幾個。後面的那些，感覺像是前面的稀釋版。
拆短之後
後來我改了做法：把 brief 切成三塊，分別開新 session 來跑。
第一輪只給背景和 ICP，讓它產前 4 個版本。存起來。
第二輪只給競品對比和 hook 角度的要求，再產 4 個。
第三輪專門問「如果反著說這件事，怎麼寫」。
每個 session 都很短，context 很乾淨。
同樣是 10+ 個 variation，但跑 A/B test 的有效 variation 比例從大約 25% 爬到了 50-60%。差距不小。📈
看了那篇 Reddit 之後我才開始理解為什麼：長 context 下，AI 不是在「想更多」，它是在「維護一致性」。它會傾向跟自己前面說過的東西保持邏輯一致，而不是真的從不同切入點探索。短回合強迫它每次都重新站位，把那個「自我一致性偏誤」打掉了。
Growth 工作流的其他套用點
競品分析：以前一口氣餵很多競品資料讓 AI 比較，現在改成每次只比較兩個，跑完再開新 session 問「如果要從這兩者裡找空隙，會是哪裡」。觀點更尖。
Growth experiment 假設生成：不再一次問「給我 20 個增長假設」。改成三輪分開問：先問用戶為什麼沒留下來，再問測試這些原因的最低成本做法，最後問有沒有我完全沒考慮過的假設。「我沒想過的角度」數量大概多了 3 倍。
月報 narrative：以前把所有數據一次丟給 AI 請它寫 executive summary，寫出來都很「平衡」——每個指標都提一下然後說展望正面。現在改成先單獨餵正向數據讓它找亮點，再單獨餵不好的數據讓它找問題，最後才讓它整合。逼出來的判斷更犀利。
反直覺的部分
這個做法跟我們一般對 AI 的用法是反的。
我們習慣給 AI 越多背景越好，覺得 context 越完整答案越準。但某些創意性、探索性的任務，「完整背景」反而是在引導它往你已知的方向走。重啟 session 看起來麻煩，但它在某種意義上是在買「認知多樣性」。你拿到的不是一個在同一條思路上越走越深的 AI，而是多個獨立視角的 snapshot。
我現在的規則是：如果你想要更多種答案，不要讓 AI 記得它之前說過什麼。
當然這不是所有任務都適用。長期追蹤、需要前後一致的報告、有明確 spec 的執行任務，長 context 還是比較好。但凡是需要「探索」和「多角度」的地方，短回合幾乎都更有效。
作者：Stella