技能介绍

多轮对话为什么会「越聊越歪」

长对话里，模型往往仍背着整段历史：重复澄清、话题切换、前后否定会叠在同一上下文里。人凭直觉会觉得「乱了」，但很难量化是冗余、跑题还是矛盾在拖后腿。开新对话太早浪费有效信息，拖太久又容易答非所问——需要可复现的度量，而不是主观感觉。

这套检测器在做什么

AI上下文污染检测器 是纯 Python、仅用标准库的命令行工具（约 678 行），通过 6 条子命令 对文本对话做结构化体检：

detect：完整报告（维度分 + 综合健康度）
score：只算健康度
locate：标出疑似污染源轮次
suggest：给出清理/总结建议
monitor --threshold：低于阈值时报警
history：看历史趋势

支持管道：echo "对话..." | python main.py detect。

健康度由五维加权合成（资料中的公式）：信息密度 35%、话题一致性 15%、冗余 20%、时效性 15%、矛盾 15%，并配合双通道漂移检测。评分区间大致为：90–100 健康；70–89 轻微污染；50–69 中度；0–49 严重。

适用边界与注意点

| 更适合触发 | 不必强行用 |
|------------|------------|
| 对话已很多轮、任务来回切换、用户提到「污染/太长/乱了/答非所问」 | 少于 3 轮（能跑但维度多呈中性，建议 ≥5 轮） |
| 需要决定「总结关键点」还是「开新对话」 | 单轮长文档、图片/语音等非纯文本 |

话题一致性用 bigram 滑动窗口做中文切分，专业术语可能被切碎，但该维只占 15%；其余约 85% 权重不依赖精细分词，综合分仍可作为工程上的参考。70–89 在长对话里很常见，不必恐慌；<50 才值得立即换会话。可与 ai-error-evolution（反复犯错未纠偏）、ai-token-stats（上下文膨胀）交叉对照。