已验证65% 置信事实精确时间
大语言模型的记忆本质上依赖于Transformer架构的注意力机制，其有效信息容量受限于上下文窗口的token数量
3
来源数
65%
置信度
长期有效
时效性
2026/7/13
首次发现
来源
Crew：让多个AI智能体像团队一样协作与共享知识
redditr/opensource2026/7/9
相关事实
已验证基于Transformer的大语言模型使用注意力机制将系统提示、用户输入和外部检索内容统一编码为同质化的token序列，模型无法在语义层面区分可信指令与不可信数据81% 相似待验证当前主流大语言模型普遍采用Transformer架构，其自注意力机制在处理长上下文时计算复杂度与序列长度呈二次方增长（O(n²)）78% 相似待验证记忆长度受大语言模型上下文窗口（Context Window）限制，拥有更大上下文窗口的高级付费模型能支持更强记忆能力76% 相似待验证提示词注入的核心原理在于LLM无法从根本上区分系统指令和用户输入，因为Transformer架构的注意力机制对所有输入token一视同仁，系统提示词与用户输入的token在数学上处于同一向量空间74% 相似已验证注意力机制（Attention Mechanism）是Transformer架构的核心组件，也是当前所有主流大语言模型的基础74% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/500639API
curl https://kongchang.com/api/v1/knowledge/claims/500639MCP
get_claim(id=500639)