你的项目：把树成林全部直播稿喂给AI，让它交叉对比、提炼出「AI学习的完整方法论体系」，分主题归档。
假设有20篇稿子，每篇约8000字，共16万字。你打开ChatGPT/Claude，全部粘进去——
会发生什么？
不是「模型不够聪明」。是16万字塞进上下文窗口后，AI的处理方式让你以为它在工作，但实际上它在逐步丢失信息。
现代模型的上下文窗口很大——Claude有200K tokens，差不多15万中文字。看起来够装16万字。
但「装得下」≠「处理得好」。这里有一个几乎所有AI新手都会踩的坑：
| 你以为的 | 实际发生的 |
|---|---|
| AI通读全文，理解全部内容，然后回答 | AI对开头和结尾的记忆最清晰，中间部分模糊化 |
| 你问第5篇的细节，AI能准确引用 | AI可能混淆第5篇和第15篇，或者直接编造（幻觉） |
| 上下文窗口=AI的「工作记忆」 | 上下文窗口更像一个逐渐衰减的缓存，不是精确存储 |
学术上叫「lost in the middle」问题：AI对长文本中间部分的信息提取准确率，可以比开头和结尾低30%以上。
脉络在直播里反复提到一个词：Compact（压缩）。
当你和AI对话越来越长，系统会在后台做一件事：把前面的对话「压缩」成一段摘要，腾出空间给新内容。这个过程叫compact。
这就是脉络说的：「上下文永远在compact，永远在总结，到最后你的目标就丢失了，焦点就偏移了。」
更可怕的是：AI不会告诉你它忘了什么。它不会说「抱歉，我已经把那部分压缩掉了」。它会基于残缺的信息，自信满满地给你一个看起来合理的答案。
知道了问题，下面是具体的解法。这三种策略从简单到复杂，每一种都在工程上用得到。
核心思路：不要让AI同时处理所有内容。一次一块，每块产出结构化结果，最后人工/程序拼接。
实操步骤：
为什么有效？因为每块独立处理，互不污染。最后一步汇总的是结构化摘要，不是原始全文——数据量骤减。
关键约束：每块的Prompt必须完全一致，输出格式必须严格规定。这是工程治理的起点——标准化。
核心思路：不依赖AI的「记忆」。每一步的关键结果写入外部文件，后续步骤从文件读取，而不是靠上下文传递。
实操步骤：
这个策略的核心哲学：不要让AI「记住」任何东西。让它读写文件。
脉络说的Memory两条分支——时间轴（最近的信息最重要）和内容轴/项目轴（按主题关联）——本质上就是在设计外部存储的结构。AI自身的上下文是时间轴的（越近越清晰），但你需要的是项目轴的（按主题关联）——这只能靠外部存储实现。
核心思路：不是让一个AI处理所有事。把任务拆给多个Agent，每个Agent只负责一小块，通过交接协议传递关键信息。
脉络原话：「你要给30个Agent，A Agent做什么、B Agent做什么，给他们写说明文档，然后每个Agent之间怎么约束、怎么传递上下文。」
这里的关键不是Agent的数量，是交接协议：Agent A完成任务后，它传给Agent B的不应该是全部上下文——只传一个结构化的「交接包」：
| 交接包内容 | 说明 |
|---|---|
task_done | A完成了什么 |
key_findings | 不超过3条核心发现 |
open_questions | A没解决的、需要B处理的 |
data_pointer | 完整结果存在哪里（文件路径），B自己去读 |
这就是工程治理的交接标准：不传数据，传指针。
你想做「让AI小白理解复杂知识」的系统。如果按照策略一来设计：
这套流程，你能在今天之内用Claude Code手动跑一遍验证。试试看？
推荐一手来源：脉络直播回放中关于「上下文永远在compact」和「Memory的两条分支」的段落。另外搜索「LLM lost in the middle」了解学术背景。
实操作业：拿2篇直播稿（不是20篇），用策略一分块处理，看能不能产出无遗漏的对比总结。记录你踩到的坑。