我不觉得应该在默认配置中加入 1M 上下文

[7788ken]

model_context_window = 1000000
model_auto_compact_token_limit = 900000

它并不适合所有人,我们都知道它的问题,但有些人不知道.

AI 模型的 100 萬（1M）超大上下文窗口（Context Window）雖然大幅提升了處理長文本的能力，但也帶來了顯著的技術與實用負擔，以下是主要的危害與負面影響：

1. 模型性能與精確度下降（Long-Context Recall Issues）
   注意力潰散：當處理接近 1M tokens 的內容時，模型容易出現「迷失在中間」（Lost in the Middle）的現象，雖然技術上能讀取，但對位於文檔中段資訊的提取與理解精確度會大幅下降。
   幻覺風險增加：過多的背景資訊可能包含相互矛盾或無關的細節，導致模型產生誤導性的推論或幻覺，部分用戶反饋在使用超過 10% 窗口後，輸出質量就會明顯變差。

2. 高昂的成本與資源消耗
   推理成本激增：雖然單次輸入容量大，但消耗的 tokens 數量成倍增加，這會導致極高的 API 調用費用。即使定價不變，頻繁的上傳大文件也會迅速耗盡額度。
   響應延遲（Latency）：處理 1M tokens 需要龐大的計算資源，這會顯著拉長模型的思考與輸出時間，導致互動體驗不再即時。

3. 提示詞工程的劣化
   懶惰（Model Laziness）：面對極長上下文時，模型可能變得「懶惰」，傾向於給出簡短、籠統的回答，而不是深入分析全部內容。
   雜訊干擾：模型會開始將文檔中的無關背景（如過時的代碼註解或冗餘的對話歷史）視為重要指令，干擾對當前任務的執行。

4. 開發者的過度依賴
   缺乏結構化管理：開發者可能不再優化 RAG（檢索增強生成）系統或對代碼進行模組化，而是盲目地將整個代碼庫丟給 AI。這種「暴力處理」方式在模型發生記憶遺忘或邏輯錯誤時，會讓 Debug 變得異常困難。