让 AI 使用上下文的技巧
如何让 AI 有效地读取和使用项目上下文
三种基本方法
AI 使用上下文的方式主要有三种，每种都有自己的适用场景。
┌─────────────────────────────────────────────────────────┐
│ AI 使用上下文的方法 │
├─────────────┬──────────────┬──────────────┬─────────────┤
│ 方法 │ 难度 │ 效果 │ 推荐度 │
├─────────────┼──────────────┼──────────────┼─────────────┤
│ 直接引用 │ ⭐ │ ⭐⭐ │ ⭐⭐⭐ │
│ 总结传递 │ ⭐⭐ │ ⭐⭐⭐ │ ⭐⭐⭐⭐ │
│ 自动检索 │ ⭐⭐⭐ │ ⭐⭐⭐⭐⭐ │ ⭐⭐⭐⭐⭐ │
└─────────────┴──────────────┴──────────────┴─────────────┘方法 1：直接引用
明确告诉 AI 参考哪些文档，让 AI 自己读取。
这种方式适合在使用 Claude Code 这类支持文件读取的工具时，或者你的项目已经有结构化的文档存放在本地。
第一步：确保文档存在
wiki/
├── tech-stack.md
├── coding-standards.md
└── api/
└── users.md第二步：在对话中引用
你：帮我写一个用户登录功能
参考文档：
- wiki/tech-stack.md（技术栈）
- wiki/coding-standards.md（编码规范）
- wiki/api/users.md（用户 API 示例）第三步：AI 自动读取
AI：我读取了你的文档：
从 tech-stack.md 得知：
- 使用 Nest.js + TypeORM
- 数据库：PostgreSQL
- 认证：JWT
从 coding-standards.md 得知：
- 函数名用 camelCase
- 必须有 JSDoc 注释
- 错误要抛出自定义异常
现在我来实现用户登录功能...实践建议
引用具体章节
"参考项目文档"这种说法太模糊。更好的方式是明确指出位置：
✓ "参考 wiki/tech-stack.md 的后端部分
参考 wiki/coding-standards.md 的错误处理章节"按重要性排序
参考（按重要性）：
1. wiki/development/coding-standards.md
2. wiki/modules/user-module.md
3. wiki/overview/tech-stack.md说明关注点
你：帮我写用户登录功能
参考：
- wiki/tech-stack.md（关注认证方案）
- wiki/coding-standards.md（关注错误处理）
- src/modules/user/auth.service.ts（参考现有实现）优缺点
优势：简单直接，AI 总是读取最新内容，不占用对话 token
劣势：需要手动引用，依赖文件系统访问，AI 可能读错文件
方法 2：总结传递
把关键信息提取出来，直接告诉 AI，不需要 AI 自己去读文档。
这种方法在 AI 工具不支持文件读取，或者上下文信息不多时很实用。
操作步骤
提取关键信息
技术栈：
- 后端：Nest.js + TypeORM + PostgreSQL
- 前端：React + TypeScript + Tailwind
编码规范：
- 命名：camelCase
- 必须有 JSDoc
- 错误用 CustomError
业务规则：
- 用户手机号唯一
- 密码至少 8 位组织成结构化信息
你：帮我写一个用户登录功能
项目信息：
## 技术栈
- 框架：Nest.js
- ORM：TypeORM
- 数据库：PostgreSQL
- 认证：JWT
## 编码规范
- 函数名：camelCase
- 必须有 JSDoc 注释
- 错误处理：抛出 CustomError
## 业务规则
- 手机号必须唯一
- 密码至少 8 位，包含字母和数字
- 登录失败 5 次锁定账号
## 参考代码
现有实现：src/modules/user/auth.service.ts实践建议
使用模板
保存一个项目信息模板，每次使用时填写：
## 项目信息模板
### 技术栈
- 前端框架：
- 后端框架：
- 数据库：
- 其他：
### 编码规范
- 命名规范：
- 注释要求：
- 错误处理：
### 业务规则
- 规则 1：
- 规则 2：
### 参考代码
- 相关文件：
- 类似实现：控制长度
复制整个 Wiki（5000+ tokens）会适得其反。只提取关键信息，控制在 500-1000 token，详细内容让 AI 需要时再问。
用代码块配置
你：帮我写用户登录
配置：
```typescript
// 技术栈配置
export const CONFIG = {
framework: 'Nest.js',
orm: 'TypeORM',
database: 'PostgreSQL',
auth: 'JWT'
}
// 编码规范
export const STANDARDS = {
naming: 'camelCase',
comments: 'JSDoc',
errors: 'CustomError'
}这样更清晰，AI 更容易理解。
### 优缺点
**优势**：不需要文件访问，信息明确不会误解，适合任何 AI 工具
**劣势**：手动总结费时，可能遗漏细节，占用对话 token
---
## 方法 3：自动检索（RAG）
搭建 RAG 系统，让 AI 自动从文档库中检索相关信息。
当文档量很大，或者频繁需要 AI 帮忙时，这个一次性投入是值得的。
### 工作原理┌─────────────────────────────────────────────────┐ │ 用户提问 │ │ "如何实现订单取消功能？" │ └──────────────────┬──────────────────────────────┘ │ ▼ ┌─────────────────────────────────────────────────┐ │ RAG 系统 │ │ │ │ 1. 理解问题意图 → "订单"、"取消" │ │ 2. 向量化查询 → Embedding │ │ 3. 检索相关文档 → 找到 3-5 个最相关的文档 │ │ 4. 排序和过滤 → 去重、评分 │ └──────────────────┬──────────────────────────────┘ │ ▼ ┌─────────────────────────────────────────────────┐ │ 检索到的文档 │ │ │ │ - business/rules.md（订单规则章节） │ │ - api/orders.md（取消订单 API） │ │ - modules/order-service.md（订单服务） │ └──────────────────┬──────────────────────────────┘ │ ▼ ┌─────────────────────────────────────────────────┐ │ LLM 生成答案 │ │ │ │ 基于检索到的文档，生成符合项目的答案 │ └─────────────────────────────────────────────────┘
### 技术实现
> 以下代码示例基于 2025-2026 年的最新框架 API
**方案 1：使用 LangChain 0.3+**
```python
from langchain_core.documents import Document
from langchain_text_splitters import RecursiveCharacterTextSplitter
from langchain_openai import OpenAIEmbeddings, ChatOpenAI
from langchain_chroma import Chroma
from langchain.chains import create_retrieval_chain
from langchain.chains.combine_documents import create_stuff_documents_chain
from langchain_core.prompts import ChatPromptTemplate
# 1. 准备文档并切分
documents = [
Document(page_content="...", metadata={"source": "tech-stack.md"}),
# ... 更多文档
]
text_splitter = RecursiveCharacterTextSplitter(
chunk_size=1000,
chunk_overlap=200,
length_function=len,
)
splits = text_splitter.split_documents(documents)
# 2. 创建向量存储（ChromaDB）
vectorstore = Chroma.from_documents(
documents=splits,
embedding=OpenAIEmbeddings(model="text-embedding-3-small"),
persist_directory="./chroma_db",
)
retriever = vectorstore.as_retriever(
search_type="similarity_score_threshold",
search_kwargs={"k": 3, "score_threshold": 0.5},
)
# 3. 创建 RAG 链
llm = ChatOpenAI(model="gpt-4o", temperature=0)
prompt = ChatPromptTemplate.from_template("""
根据以下文档回答问题。如果你不知道答案，就说不知道，不要编造。
上下文：
{context}
问题：{input}
答案：
""")
# 创建组合链
retrieve_chain = create_retrieval_chain(
retriever,
create_stuff_documents_chain(llm, prompt)
)
# 4. 查询
response = retrieve_chain.invoke({"input": "如何实现订单取消功能？"})
print(response["answer"])方案 2：使用 LlamaIndex
数据来源：Real Python - LlamaIndex RAG Guide (2025-12-24)
from llama_index.core import VectorStoreIndex, SimpleDirectoryReader, Settings
from llama_index.embeddings.openai import OpenAIEmbedding
from llama_index.llms.openai import OpenAI
# 配置模型（推荐使用最新版本）
Settings.embed_model = OpenAIEmbedding(model="text-embedding-3-small")
Settings.llm = OpenAI(model="gpt-4o", temperature=0)
# 1. 加载文档
documents = SimpleDirectoryReader('./wiki').load_data()
# 2. 创建索引（自动分块和向量化）
index = VectorStoreIndex.from_documents(documents)
# 3. 创建查询引擎（支持多种检索模式）
query_engine = index.as_query_engine(
similarity_top_k=5,
vector_store_query_mode="default",
alpha=0.7, # 混合检索权重（0=纯向量，1=纯关键词）
)
# 4. 查询
response = query_engine.query("如何实现订单取消功能？")
print(response)
# 5. 高级：创建聊天引擎（支持多轮对话）
chat_engine = index.as_chat_engine(
chat_mode="condense_question",
verbose=True,
)
response = chat_engine.chat("用户登录失败怎么办？")实践建议
文档切片
整篇文档太长会影响检索精准度。按章节或主题切片效果更好：
切片前：
- tech-stack.md（一篇长文）
切片后：
- tech-stack/frontend.md
- tech-stack/backend.md
- tech-stack/database.md添加元数据
# 给文档添加元数据
documents = [
Document(
page_content="...",
metadata={
"category": "api",
"module": "user",
"version": "v1"
}
)
]
# 检索时过滤
results = vectorstore.similarity_search(
"用户登录",
filter={"category": "api", "module": "user"}
)选择向量数据库
数据来源：Vector Database Benchmark 2026 (2026-02-15)
根据 2026 年性能测试（1M 向量，1536 维）：
| 数据库 | p50 延迟 | p99 延迟 | 部署方式 | 适合场景 |
|---|---|---|---|---|
| Qdrant | 4ms | 25ms | 开源/托管 | 高性能需求、复杂过滤 |
| Pinecone | 8ms | 45ms | 托管 | 零运维、快速原型 |
| ChromaDB | 12ms | 70ms | 开源 | 本地开发、小规模 |
| pgvector | 18ms | 90ms | 开源扩展 | 已有 PostgreSQL |
个人项目用 ChromaDB 或 Pinecone 就够了，大型项目再考虑 Qdrant 或 Milvus。
优缺点
优势：完全自动化，可以处理大量文档，检索精准（如果配置得当）
劣势：搭建复杂，需要额外成本，需要维护
方法选择指南
决策流程
你的情况
│
├─ AI 工具支持文件读取？
│ ├─ 是 → 直接引用（推荐）
│ └─ 否 → 继续
│
├─ 文档量 < 10 篇？
│ ├─ 是 → 总结传递
│ └─ 否 → 继续
│
├─ 经常需要 AI 帮忙？
│ ├─ 是 → 考虑 RAG
│ └─ 否 → 总结传递
│
└─ 有技术能力搭建系统？
├─ 是 → RAG
└─ 否 → 总结传递推荐方案
个人项目：总结传递（简单快捷）
小团队项目：直接引用 + Projects 功能（如 Claude Projects、ChatGPT Projects）
大型项目：Wiki + RAG 系统
实战技巧
技巧 1：上下文卡片
创建"上下文卡片"保存关键信息，使用时直接粘贴：
---
Context Card: User Module
---
## 技术信息
- 框架：Nest.js
- ORM：TypeORM
- 数据库：PostgreSQL
## 编码规范
- 命名：camelCase
- 必须有 JSDoc
- 错误：CustomError
## 业务规则
- 手机号唯一
- 密码 >= 8 位
- 失败 5 次锁定
## 相关代码
- src/modules/user/
- wiki/api/users.md技巧 2：渐进式提供
第一次可以给基础信息，如果 AI 理解不够再补充。找到"最小有效集"后记录下来，以后都用这个级别。
第 1 次："用 Nest.js 写用户注册"
↓ AI 不够理解
第 2 次："用 Nest.js + TypeORM，手机号唯一，密码加密"
↓ AI 理解了
记录：以后都用这个级别的信息技巧 3：让 AI 询问
你：写用户注册功能
AI：我需要了解：
1. 用什么框架？
2. 有什么业务规则？
3. 需要哪些字段？
你：
1. Nest.js
2. 手机号唯一，密码加密
3. 手机号、密码、验证码让 AI 主动收集信息可以避免提供过多或过少，确保理解正确。
技巧 4：使用 Projects 功能
Claude Projects
1. 创建项目：拉了么
2. 上传文档：wiki/overview/tech-stack.md 等
3. 设置项目指令："这是一个外卖订餐系统，
使用 Nest.js + PostgreSQL。回答问题时参考上传的文档。"
4. 开始对话ChatGPT Projects
流程类似，创建项目 → 添加知识文件 → 设置自定义指令 → 开始对话
技巧 5：使用 Claude Code MCP 扩展上下文（2025 新功能）
数据来源：Claude Code MCP Complete Guide (2025-12-24)
MCP（Model Context Protocol）是 Claude Code 的开放标准协议，让 AI 能够连接外部数据源和工具，无需手动提供上下文。
配置 MCP 服务器
在 ~/.claude/settings.json 中添加：
{
"mcpServers": {
"github": {
"command": "npx",
"args": ["-y", "@modelcontextprotocol/server-github"],
"env": {
"GITHUB_TOKEN": "your-github-token"
}
},
"postgres": {
"command": "npx",
"args": ["-y", "@modelcontextprotocol/server-postgres"],
"env": {
"POSTGRES_CONNECTION_STRING": "postgresql://user:pass@localhost/db"
}
}
}
}使用场景
你：检查最新的 GitHub PR，看看是否影响用户模块
Claude Code：（自动调用 GitHub MCP）
1. 获取最新 PR 列表
2. 查找与用户模块相关的 PR
3. 分析代码变更
4. 给出影响评估MCP 可以自动获取实时数据，无需手动复制粘贴。2026 年新增的 Tool Search 功能可以减少 95% 的上下文占用。
常用 MCP 服务器
| 服务器 | 功能 | 安装命令 |
|---|---|---|
@modelcontextprotocol/server-github | GitHub PR、Issue | npx @modelcontextprotocol/server-github |
@modelcontextprotocol/server-postgres | PostgreSQL 查询 | npx @modelcontextprotocol/server-postgres |
@modelcontextprotocol/server-filesystem | 文件系统访问 | npx @modelcontextprotocol/server-filesystem |
技巧 6：验证理解
你：写用户注册功能
项目信息：[提供上下文]
你（追问）：在我继续之前，请确认你理解了：
1. 使用什么框架？
2. 有什么业务规则？
3. 需要哪些验证？
AI：我理解了：
1. Nest.js + TypeORM
2. 手机号唯一，密码 >= 8 位
3. 手机号格式、密码强度、验证码
你：正确，请继续让 AI 先复述理解，确认正确后再继续，可以避免很多返工。
常见问题
AI 忽略了我提供的上下文
原因：上下文太长被截断、不清晰、或 AI 注意力在其他地方
解决：缩短上下文只保留关键信息，用结构化格式（Markdown、表格），在每次回复时强调"参考上面的项目信息"
AI 理解错了我的项目
原因：上下文不够具体、有歧义、AI 做了错误假设
解决：提供代码示例，明确说明"不要假设，按文档来"，让 AI 先复述理解确认正确
每次都要重复提供上下文，太麻烦
解决：
- 使用 Projects 功能
- 保存上下文模板，复制粘贴
- 搭建 RAG 系统（一次性投入）
Wiki 更新了，AI 还在用旧信息
解决：
- 在 Projects 中重新上传文档
- 在对话中明确说明"最新信息如下"
- RAG 系统自动更新（重新索引）
总结
三种方法各有适用场景：直接引用适合有文件访问的工具，总结传递适合任何工具但费时，自动检索适合大型项目但复杂。
个人项目用总结传递就够了，团队项目可以考虑直接引用加 Projects 功能，大型项目再投入 RAG 系统。
实践中，上下文卡片、渐进式提供、让 AI 询问、验证理解这些小技巧很实用。
最佳实践
- 结构化提供上下文（Markdown、表格）
- 控制上下文长度（关键信息优先）
- 使用 Projects 功能（避免重复）
- 配置 MCP 服务器（自动获取外部数据）
- 验证 AI 的理解（确认后继续）
- 记录有效的上下文组合
2025-2026 新趋势
智能上下文管理
- Claude Skills：三层上下文架构（主上下文、技能元数据、按需加载）
- MCP Tool Search：2026 年新增，自动懒加载工具，减少 95% 上下文占用
- 提示缓存：Claude 4 系列支持，重复上下文无需重复付费
外部知识库集成
传统方式是手动复制粘贴，浪费时间且容易出错。现在用 MCP 服务器可以自动获取、实时更新。
混合检索成为主流
语义检索加关键词检索，加上 ReRanker 二次排序。GraphRAG（知识图谱增强）和 Self-RAG（AI 自我评估检索需求）也开始应用。
上下文窗口突破
Claude 4 系列最高支持 200K token（约 15 万汉字），GPT-4o 支持 128K token。不过实践中仍需精简上下文，质量比数量更重要。
下一步
掌握了让 AI 使用上下文的技巧后，我们将学习：
- "拉了么"项目深度剖析 → 真实项目实践
- 不同规模项目的上下文策略 → 如何根据项目规模选择策略