ChatGPT与Claude的记忆与上下文策略

记忆策略比较:ChatGPT与Claude。
Key insights
200K-token窗口足够,有时更好
一篇技术博客认为,200k token的上下文窗口(Claude Opus 4.5)足以支持高质量的编码和任务执行,过长的上下文会降低信噪比,并可能使代理“醉酒”,导致注意力漂移和幻觉。作者建议将工作分成多个短线程,每个线程专注于一个子任务,并在线程之间仅传递必要的上下文。该文章将200k的限制视为一种促进任务分解的特性,而不是缺陷。
ChatGPT使用全面注入加轻量级摘要
ChatGPT的记忆系统在每个提示中注入维护的用户记忆和最近10-15次对话的预计算轻量级摘要。架构层次包括:临时会话元数据、长期用户记忆(可编辑)、最近对话摘要(仅用户片段)和当前会话窗口。该系统更倾向于注入而非主动检索,牺牲了一些细节分辨率,以换取无缝、更快的响应和改善的对话连续性。
Claude使用按需检索和工具实现高保真回忆
Claude的方法保持会话上下文最小,并使用两个检索工具——conversation_search和recent_chats——进行过去对话的按需查找。长期记忆在需要时以类似XML的格式存储和注入。这种方法在额外延迟和依赖模型决定调用工具的成本下,实现了对过去AI输出或特定数据结构的高保真检索。
权衡:ChatGPT在无缝流畅性上表现出色,Claude在精确性上更胜一筹
比较优缺点:ChatGPT通过每次注入摘要和记忆提供流畅的体验和快速的上下文切换;缺点包括潜在的细节丢失和无关摘要的干扰。Claude避免无关历史,节省tokens并提高长项目的精确性,但如果未能调用检索工具,可能会变得缓慢或显得“遗忘”。使用场景不同:ChatGPT适合伴随式互动和浅层连续性;Claude适合需要精确过去文档的长期项目。
使用网络支持的LLM搜索+调查模式快速获取深度概述
一条实用建议推荐使用8个字的LLM提示模式:网络搜索加摘要。该模式利用模型的网络检索和综合能力,在几分钟内生成调查级别的概述——比人类单独研究更快,质量通常更高,适合初步探索。工作流程建议:将LLM生成的概述存储为个人知识系统(例如Logseq)中的v1笔记,以构建增量知识积木。