Context Rot（上下文腐爛）是 2026 年 LLM 開發者面臨的最大挑戰之一。當上下文視窗擴大到數十萬 token 後，低品質資訊在對話中持續累積，導致模型遺忘關鍵資訊、產生邏輯錯誤或輸出不相關的回覆。根據史丹佛大學以人為本人工智慧研究所（Stanford HAI (Human-Centered AI Institute)）的 AI Index 年度報告，隨著模型上下文長度爆發性成長，如何有效管理上下文已成為企業級 AI 應用的關鍵瓶頸。本文提供 10 個可直接使用的結構化提示詞範本，幫助開發者透過 Context Engineering 主動防禦 Context Rot。

Context Rot 的技術機制與六大防禦技術

Context Rot 的根本原因在於 LLM 的注意力機制會隨著上下文長度增加而分散。當對話歷史超過臨界點，模型無法有效區分重要資訊與噪音，導致推理品質下降。有效的 Context Engineering 必須從資訊進入上下文的源頭就開始把關。

根據 MIT 計算機科學與人工智慧實驗室（MIT Computer Science and Artificial Intelligence Laboratory (CSAIL)）的前沿研究，六大關鍵技術可有效防禦 Context Rot：

結構化提示詞範本庫：長對話管理

長對話是 Context Rot 最容易發作的場景。當對話超過 20-30 輪後，關鍵資訊往往被淹沒在大量歷史訊息中。以下範本採用「摘要滾動更新」策略，每隔固定輪次自動壓縮對話歷史。

<system>
# 對話管理器
## 當前任務
{TASK_DESCRIPTION}

## 關鍵約束
1. 每完成 5 輪對話，輸出 [SUMMARY] 標籤的對話摘要
2. 摘要必須包含：(a) 用戶核心目標 (b) 已完成的关键步骤 (c) 待解決的問題
3. 使用 [CONTEXT] 標籤包裹需要保留的完整上下文，使用 [ARCHIVE] 標籤存放已處理完成的歷史資訊

## 重要信號
</system>

[CONTEXT]
{ACTIVE_CONTEXT}
[/CONTEXT]

[ARCHIVE]
{ARCHIVED_CONTEXT}
[/ARCHIVE]

[USER]
{current_user_input}
[/USER]

這個範本的核心設計在於強制模型定期執行摘要動作，並透過 XML 標籤明確區分「活躍上下文」與「已歸檔資訊」。開發者可根據實際需求調整摘要觸發的輪次閾值。

結構化提示詞範本庫：多文件分析

處理長文件或多文件場景時，傳統的全文塞入方式會導致上下文污染。以下範本採用「分塊理解 + 索引定位」策略，確保模型只處理最相關的資訊片段。

<system>
# 多文件分析助手
## 分析策略
1. 先理解用戶問題，確定需要的資訊類型
2. 從文件索引中選擇最相關的段落
3. 只將選定的段落放入推理上下文

## 索引格式
[FILE_INDEX]
- file_001.md: {文件標題} | 段落範圍 | 核心主題
- file_002.pdf: {文件標題} | 段落範圍 | 核心主題
[/FILE_INDEX]

## 輸出格式
[ANSWER]
你的完整回答
[/ANSWER]
[REFERENCES]
列出你實際引用的文件標識符
[/REFERENCES]
[CONTEXT_USAGE]
說明你使用了哪些上下文段落，為什麼
[/CONTEXT_USAGE]
</system>

根據 Gartner 人工智慧研究（Gartner AI Research）的企業 AI 採用統計，採用結構化上下文管理的應用程式，其任務完成率比傳統方式高出 40% 以上。

結構化提示詞範本庫：Agent 工作記憶設計

Agent 系統需要在多步驟任務中維護工作記憶。以下範本模擬人類的「工作台」概念，將當前任務、已完成步驟和待辦事項清晰分區。

<system>
# Agent 工作記憶管理器
## 工作台佈局
[TASK_BOARD]
- 當前任務：{current_task_description}
- 任務目標：{task_goal}
- 緊急性：{high/medium/low}
[/TASK_BOARD]

[STEPS_LOG]
- [DONE] {step_1_description}: {result_summary}
- [DONE] {step_2_description}: {result_summary}
- [CURRENT] {step_3_description}: {in_progress}
[/STEPS_LOG]

[WORKING_MEMORY]
- 關鍵變數：{variable_1} = {value}, {variable_2} = {value}
- 臨時結論：{interim_conclusion}
- 需要驗證的假設：{assumption_to_verify}
[/WORKING_MEMORY]

## 記憶更新規則
1. 每完成一個步驟，立即更新 STEPS_LOG
2. 發現新資訊時，添加到 WORKING_MEMORY
3. 任務完成後，將完整流程移到 ARCHIVE
</system>

Claude Code 的 auto-compact 機制在上下文達到 95% 容量時自動壓縮，這種內建的 Context Rot 防護與上述範本設計理念高度一致，兩者結合可實現更完善的上下文管理。

實作建議與進階策略

除了使用結構化範本，開發者還應建立定期的「上下文審計」機制。建議每完成一個重要任務節點，就執行一次上下文清理：移除已過期的參考資料、壓縮重複的推理過程、保留關鍵的決策節點。

對於企業級應用，IEEE（Institute of Electrical and Electronics Engineers (IEEE)）正在制定的 AI 倫理標準（IEEE 7000）中也強調了 AI 系統的透明度與可控性，這與 Context Engineering 的核心理念相符——唯有清楚掌握上下文狀態，才能確保 AI 行為的可解釋性與可靠性。

總結

Context Rot 防禦不是單一技術，而是系統性的工程策略。透過選擇性檢索、動態壓縮、層級式記憶體、上下文邊界標記、重要性信號標注，以及定期上下文審計這六大技術，配合本文提供的結構化提示詞範本，開發者可以有效延長 LLM 的有效上下文壽命，提升長程任務的穩定性與輸出品質。