待验证85% 置信概念时间未知
上下文腐烂（Context Rot）包含两种不同的故障模式：Distraction（注意力稀释）和Poisoning（因果链污染）
1
来源数
85%
置信度
长期有效
时效性
2026/6/1
首次发现
来源
Agent上下文腐烂的两种病因：Distraction与Poisoning详解
bilibiliAI大模型原理
涉及实体
相关事实
待验证尽管上下文窗口很大，上下文腐化（Context Rot）依然是巨大问题，模型对上下文中不同位置信息的注意力分布不均匀（Lost in the Middle效应）80% 相似待验证上下文腐烂（Context Rot）指随对话轮次增加，无关信息积累、注意力预算被低价值内容占满，导致推理质量持续下降76% 相似待验证Context Rot（上下文腐烂）指随着对话变长、输入 Token 增多，模型准确度会逐步下降，该现象在 Claude、OpenAI、Gemini 等主流模型上普遍存在71% 相似待验证RAG存在两个漏洞：模型处理上下文时仍可能误读误用，以及检索到的上下文本身可能错误或无关63% 相似待验证尽管Opus 4.7已有百万级上下文窗口，但上下文腐化（Context Rot）依然是巨大问题59% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/22384API
curl https://kongchang.com/api/v1/knowledge/claims/22384MCP
get_claim(id=22384)