多轮对话“不降智”，要看它能不能记住约束

这是一次个人使用后的对话测试笔记。很多模型在单轮回答里表现不错，但进入多轮后，真正影响体验的是能不能记住前面确定的目标、格式和限制条件。

我会设计一个逐步收紧的任务

第一轮让模型提出方案，第二轮增加格式限制，第三轮要求修正某个细节，第四轮再让它解释为什么这样修改。这样可以观察它是否在后续回答中保留前面的约束。

如果每一轮都需要重新粘贴背景，或者修改新要求时忘记旧条件，我会把问题记录为上下文管理或请求构造问题，而不是简单归因于“模型智力下降”。

请求记录能帮助我排查上下文

我会查看输入总量、缓存输入和输出 Token，确认历史消息是否持续进入请求。长对话中，如果上下文被截断，模型当然会表现得像“突然变笨”。

统计页可以帮助我发现长对话带来的 Token、延迟和费用增长，但最终是否记住约束，还要看具体任务输出。

“不降智”应该写成可验证的体验

我的表述会限定为“这组多轮任务中没有观察到明显的上下文遗忘”，不会写成绝对承诺。因为对话长度、模型版本、参数和输入内容都会影响结果。

本文是个人测试方法整理，截图数据对应 2026 年 10 月 2 日，实际使用请用自己的多轮任务验证。