Рабочая память

Чему вы научитесь

Ориентировочное время: 30 минут

К концу этого урока вы сможете:

Объяснить контекстное окно как контейнер фиксированного размера и что это означает для длинных документов, длинных бесед и памяти между сессиями

Распознать «обрывную» природу этого свойства по сравнению с постепенной деградацией других

Применять стратегии контекста-как-рычага: загрузка важного материала вперёд, чанкинг длинной работы, повторная подача критического контекста

Распознавать память, компактизацию, проекты и рабочие пространства и большие окна как продуктовые функции, работающие с этим ограничением

Как контекстное окно влияет на выводы генеративного ИИ

Всё, на что обращает внимание ИИ, живёт внутри рабочей области фиксированного размера, называемого контекстным окном. Он может учитывать то, что внутри. Он не может учитывать ничего вне его. Это ограничение жёсткое так, как другие свойства нет: вещи работают, пока не перестают.

Контекстное окно: рабочая память ИИ

Прежде чем читать: вы просите ИИ проверить 50-страничный контракт. Насколько внимательно нужно проверять результат? Выберите точку на континууме, затем зафиксируйте догадку.

Четыре свойства: предсказание следующего токена, знания, рабочая память, управляемость.

Где оно характерно даёт сбой

Продуктовые функции, отодвигающие границу дальше

Свойства модели:

Предсказание следующего токена. Зона возможностей: проторённые пути — резюмирование, переформатирование, объяснение распространённых концептов. Зона ограничений: новая территория, разреженные паттерны, «правда против похожего на правду». Возможности: беглый естественный текст практически в любом стиле; быстрый синтез идей из далёких областей; сильная работа на задачах, похожих на виденные. Сбои: галлюцинации, конфабуляции, нестабильность сэмплирования, неуместная уверенность. Продукты: цитаты и привязка к источникам, сигнализация неопределённости, ограниченная генерация и навыки.

Знания. Зона возможностей: частое, недавнее в обучении, последовательное: мейнстримные темы, популярные языки. Зона ограничений: редкие, после границы знаний, нишевые, локальные или спорные темы. Возможности: чрезвычайно широкие общие знания, глубокая компетенция в хорошо представленных областях, связи между областями. Сбои: граница знаний, устаревание, неравномерное покрытие, унаследованное смещение, амнезия источников. Продукты: веб-поиск, ретривал (RAG) и MCP, использование инструментов, явное указание границы знаний.

Рабочая память. Зона возможностей: материал удобно помещается, сессия текущая, вы поставляете релевантный контекст. Зона ограничений: очень длинные документы и беседы, ожидание непрерывности между сессиями (обрыв). Возможности: быстрая адаптация в сессии, работа с вашим материалом, точность через конкретику. Сбои: жёсткие лимиты длины с тихой обрезкой, потерянное в середине, нет постоянной памяти по умолчанию, нет обучения от вас. Продукты: память, компактизация и суммаризация, проекты и рабочие пространства, навыки, большие контекстные окна.

Управляемость. Зона возможностей: короткие, конкретные, проверяемые инструкции. Зона ограничений: длинные цепочки рассуждений, абстрактные просьбы, нативная точность. Возможности: точный контроль формата, стиля, длины и тона; задание ролей; многошаговое выполнение задач по ясному процессу; итеративное уточнение. Сбои: дрейф рассуждений, буква вместо духа, инъекции в промпт. Продукты: системные промпты, выполнение кода, видимые рассуждения, режимы структурированного вывода.

Ключевые тезисы:

Рабочая память — это факт, что у ИИ-модели фиксированное контекстное окно, которое она может учитывать.

Зона возможностей: ваш материал удобно помещается, сессия текущая, вы поставляете релевантный контекст.

Зона ограничений: очень длинные документы или беседы, ожидание непрерывности между сессиями, закапывание критической информации в середине длинного входа.

Это свойство имеет обрыв, а не градиент. Тихая обрезка — режим отказа, и вас не всегда предупредят.

Модель не учится на ваших исправлениях. Она реагирует только на то, что сейчас в контексте.

Функции памяти, компактизация, проекты, большие окна и мультиагентные процессы существуют, чтобы отодвинуть этот обрыв дальше.

Связь с 4D: рабочая память — это то, на что действует Описание. Знание того, как работает окно, говорит вам, как структурировать контекст, когда загружать вперёд и когда начинать с чистого листа.

Упражнение: До и после

Зачем? Контекст — это рычаг. Та же задача с правильно поданным контекстом может пройти путь от посредственного первого черновика до чего-то действительно полезного. Это упражнение делает это наглядным.

Выберите задачу из вашего списка урока 1, выигрышную от контекста, который держите только вы: стайлгайд, прошлый пример хорошей работы, набор ограничений, специфичных для вашей роли или аудитории. Запишите в двух-трёх строках, как выглядит «хорошо» для вывода этой задачи, описанное достаточно ясно, чтобы незнакомец мог оценить.

Зонд 1: Холодный старт против контекста. Попросите вашу задачу с нулевым контекстом. Просто голую просьбу. Сохраните вывод. Затем начните новую беседу и прогоните ту же задачу, в этот раз подав стайлгайд, прошлый пример или ограничения заранее. Сравните оба вывода с вашим определением «хорошо». Измерьте разрыв.

Зонд 2: Потерянное в середине. Возьмите более длинный документ (или склейте несколько абзацев справочного материала). Закопайте одну конкретную важную инструкцию в его середине. Задайте вопрос, правильный ответ на который зависит от той зарытой инструкции. Поймал ли её ИИ? Теперь переместите ту инструкцию в самый верх и спросите снова. Сравните.

Зонд 3: Чистый лист. Проведите короткий обмен, где вы учите ИИ чему-то конкретному о вашем рабочем контексте или исправляете его в том, что он понял неверно. Затем откройте совершенно новую беседу и задайте вопрос, предполагая, что он помнит то, чему вы его учили. Смотрите, как он начинает с нуля.

Вернитесь к списку задач и добавьте третью аннотацию: каким задачам нужен настроенный постоянный контекст (проект, сохранённые инструкции, загруженные справочные документы), чтобы их стоило запускать, а какие нормально работают без подготовки?

Дополнительная цель: если ваш инструмент имеет функции памяти или проектов, настройте одну с контекстом из зонда 1. Прогоните задачу снова. Сравните усилия и качество с версией холодного старта.

Насколько загрузка контекста вперёд изменила качество вывода? Разрыв был больше, чем вы ожидали?

Какой один кусок постоянного контекста вы настроите на этой неделе, чтобы перестать объясняться?

Следующее свойство: управляемость. Насколько вы реально контролируете, когда даёте инструкции, и где этот контроль даёт сбой?

Обратная связь

По мере прохождения курса нам будет приятно услышать, как вы используете концепции курса в своей работе, а также любые ваши отзывы. Поделитесь отзывом здесь.

Благодарности и лицензия

Copyright 2026 Anthropic. Оригинальная работа на основе фреймворка ИИ-грамотности, разработанного проф. Риком Даканом (Ringling College of Art and Design) и проф. Джозефом Феллером (University College Cork). Выпущено под лицензией CC BY-NC-SA 4.0.