為什麼 LLM 會把簡單任務做複雜：上下文經濟的隱形成本

大模型經常出現一種奇怪的行為：明明三行程式碼能解決的任務，它給你寫出一整套框架。人類會歸因於「AI 愛炫技」，但真正的原因藏在上下文經濟（context economy）的機制裡。

上下文視窗是一種稀缺資源

LLM 的回答品質高度依賴上下文中的訊號密度。當視窗裡塞滿了工具定義、歷史對話、檢索片段時，真正重要的指令會被稀釋。模型並不是「選擇」把任務做複雜，而是在雜訊中重新分配了注意力。研究顯示，長上下文中段的資訊最容易被忽略，這就是所謂的「lost in the middle」效應：模型對開頭和結尾的資訊利用率高，對中間部分顯著下降。

訓練資料帶來的冗長偏置

模型從網際網路文字學習，而網際網路上的「高品質回答」往往呈現為長文：教學、文件、Stack Overflow 高讚答案都傾向詳盡。RLHF（基於人類回饋的強化學習）更強化了這一點——標註員通常給更長、更完整的回答打高分。於是模型內化了一個等式：長＝有幫助。當你問「怎麼改一個正則」，它給你講一遍正則引擎原理，不是它不懂分寸，而是訓練訊號就這樣教它。

工具迴圈中的複合膨脹

Agent 系統裡問題會更嚴重。每一步工具調用的結果都追加進上下文：一次檔案讀取幾 KB，一次失敗重試又幾千 token。五步之後，視窗的大半是中間產物，原始的簡潔任務描述反而被埋沒。這時模型的「記憶」裡最多的是錯誤日誌和除錯輸出，它的下一步行為自然趨向複雜化——因為它眼中的世界就是複雜的。

三條務實的對策

壓縮而非堆積。 定期把中間產物壓縮成結構化摘要：保留結論、丟棄過程。成熟的 Agent 框架已內建 token 壓縮機制，原則是「原始輸出用完即棄，結論留下」。

任務描述置頂。 把核心約束放在上下文的開頭或結尾——模型注意力最高的位置——並在長會話中週期性重申。這是對抗 lost-in-the-middle 最便宜的手法。

為簡潔設計獎勵。 在 prompt 裡顯式約束輸出形態：「給最小可行修改，不解釋原理」。也可以用 few-shot 範例示範簡短回答的正確樣子。模型會服從你設計的格式契約。

小結

LLM 把簡單任務做複雜，不是智力缺陷，而是注意力機制、訓練偏置與上下文膨脹三者疊加的系統性行為。理解這一點，你就不會再對著輸出抱怨「你怎麼寫這麼多」，而是去改造餵給它的上下文結構。在 Agent 工程裡，上下文就是作業系統的記憶體——會分頁、會碎片、會被洩漏吃掉。管好上下文預算的人，才能管好模型的行為。這或許是這一代 AI 工程最反直覺、也最值得投資的技能。