AI 聊得越久，背上的行李就越多：旧指令、历史对话和检索材料不断塞进提示词，哪怕上下文窗口——模型一次能处理的文本容量——足够长，也要付出更多计算、等待时间和费用。Emmimal P Alexander 在 Towards Data Science 撰文提出，问题有时不是模型“忘得太快”，而是它记住了太多重复或低价值内容，甚至可能拖累回答质量。
他的做法是在模型调用前加一层确定性的提示词裁剪：按明确规则删除、压缩或替换低价值上下文，而非简单砍掉最早的对话。关键是保住依赖关系。例如，后面的结论若建立在前面某项定义、约束或工具结果上，裁剪时就要把依据一起留下；否则文字看似连贯，意思已经悬空。
这值得生产系统留意，因为它把“该让模型记住多少”从无限堆积，变成成本、延迟和信息保真之间可设计的权衡。不过现有供稿只有文章摘要，未披露具体规则、基准数字和生产测试设置；减少 token、改善质量等效果目前只能视为作者自述。