逃离笨区，第一部分：为什么你的 AI 越和它说话越蠢
Source: Dev.to
第 1 部分，共 4 部分，属于“Escaping the Dumbzone”系列
问题
看，我们都有过这种经历。你和 Claude 编码已经一个小时了，突然它开始表现怪异——忘记了你五分钟前告诉它的内容，忽视你的指令，给出让人感觉……不对劲的建议。
你并没有做错什么。你的 AI 只是走进了 the Dumbzone。
什么是 Dumbzone？
这里有件事没人会告诉你：给你的 AI 更多上下文往往会让它变得更笨。
不是稍微笨一点。研究表明，仅仅因为上下文过载，准确率就会从 87 % 降到 54 %。这不是打字错误——更多信息真的让模型表现更差。
已经弄清楚这一点的团队遵循一个简单规则：一旦上下文使用率达到 40 %，就会出现奇怪的行为。HumanLayer 更进一步——他们建议在 Claude 仍然保持在“智能区”时，保持 ≈ 75 k 令牌 以下。
超过这个范围？你就进入了 Dumbzone，再聪明的提示也救不了你。
为什么会出现这种情况？
两个主要原因，均有研究支持。
1. 中间丢失
斯坦福研究人员发现了一件有趣的事：大型语言模型（LLM）呈现 U 形注意力曲线。它们会关注上下文的开头，也会关注结尾，但对中间的内容？那是“我其实没在听”的区域。
当关键信息位于中间而不是开头或结尾时，性能会下降 超过 30 %。仅仅因为位置的不同，就会导致三成的差距。
这对编码有什么影响： 每个你阅读的文件、每个工具的输出、每一次对话的轮次——所有信息都会堆积在中间。你的实际指令会被推入最容易被忽视的区域。并不是 Claude “忘记”了你说的话，而是它真的已经看不清这些信息了。
2. MCP 工具税
这点更隐蔽。只要连接五个 MCP 服务器，你就已经在 ≈ 50 k 令牌 之前消耗掉了大量上下文。
每个 MCP 连接都会加载数十个工具定义。五个服务器 × 数十个工具 = 大量上下文窗口被这些可能在本次会话中根本用不到的内容占用。
这相当于 ≈ 40 % 的典型上下文窗口被 工具定义 吃掉——在你真正开始工作之前。你已经逼近了“笨区”（Dumbzone）。
智能区
HumanLayer 创造了这个术语，而且很有用：在 ≈ 75 k token “smart zone” 的范围内，Claude 表现良好。超出此范围，情况就会变得奇怪。
但这不仅仅关乎总 token 数量；更在于 这些 token 的内容。
- 每一行类似
PASS src/utils/helper.test.ts的测试输出都是浪费。它消耗了本可以用单个字符表达的信息：✓ - 每个你“以防万一”打开的文件都是可能不需要的上下文。
- 每条冗长的错误信息都会把你的实际指令推向被遗忘的中间部分。
“确定性优于非确定性。如果你已经知道什么是重要的，就不要让模型在成千上万的垃圾 token 中筛选来决定。”
— HumanLayer
症状
如何判断自己已经进入 Dumbzone？请留意：
- 指令失忆 – Claude 忽视了几分钟前仍能完美遵守的规则。
- 上下文泄漏 – 它会把早前对话中不相关的细节拉进来。
- 奇怪的输出 – 回复显得不对劲、缺乏焦点，或异常通用。
- 重复 – 提出你已经尝试或讨论过的内容。
- 自信却不称职 – 听起来很肯定，却是错误的。
如果你看到这些，检查你的 上下文计量器。你可能比想象的更深入。
接下来
傻区是真实存在的，但它并非不可避免。
在接下来的三部分中，我们将讨论：
- 第 2 部分：子代理 – 避免进入傻区的最强技术。将你的探索隔离开来，获取洞察而不是调查日志。
- 第 3 部分：知识与配置 – 结晶化学习成果，编写有效的
CLAUDE.md文件，以及真正有效的会话卫生。 - 第 4 部分：高级模式 – 反压控制、用于长时间任务的 Ralph 循环，以及 12‑Factor 代理框架。
目标并不是避免使用上下文，而是要 有意地 使用它。
关键要点
- 更多上下文 ≠ 更好结果 – 当使用率超过约 40 % 时，性能会急剧下降。
- 中间部分被忽略 – 大语言模型的注意力曲线呈 U 形；开头和结尾最重要。
- 工具定义成本高 – MCP 服务器在你真正开始之前就可能消耗 40 % 以上的窗口。
- 保持在智能区间 – 将总 token（尤其是“有用” token）保持在约 75 k 以下。
- 有目的地使用 – 削减浪费，将关键信息放在开头或结尾，并监控你的上下文预算。
进一步阅读
- Lost in the Middle: How Language Models Use Long Contexts — 斯坦福研究论文
- Writing a good CLAUDE.md — HumanLayer 指南
- Context Window Management Strategies — Maxim AI