業務人員和 AI 來回修改報價時，可能先談好折扣上限，接著補充客戶條件，最後又改成以交期為優先。對話裡累積的資訊愈來愈多，AI 卻開始漏掉最初要求的格式、沿用更正前的價格，甚至把另一個版本的條件混進來。這時再補一句「請記得前面的規則」，也不一定能讓工作回到正軌。
企業應該把三件事分開管理：團隊要保留可供審查的固定規則版本、確認回答內容有正式依據，並妥善交接工作進度。長對話可以繼續用來討論，但不適合拿來保存企業知識與作業規範。
對話愈長，AI 為什麼反而漏掉前面說過的事？
《數位時代》整理《Every》AI 評測主管 Mike Taylor 的觀察指出，舊指令、先前的錯誤和無關細節不斷累積，可能讓 AI 的回答品質愈來愈差，這種情況稱為上下文腐爛（context rot）。先前提供的範例也可能限制後續答案。Taylor 曾要求 AI 模仿賈伯斯的風格替產品命名，只提供文字指示時，有 21% 的名稱以「i」開頭；加入幾個同類範例後，比例變成 100%。範例原本是為了幫助 AI 掌握方向，但如果一直留在後續任務裡，也可能反過來限制答案。
一邊對話、一邊補充需求，也容易讓前後要求互相衝突。微軟與 Salesforce 研究人員在 2025 年把完整指令拆成多則訊息，模擬使用者分批提供資訊；受測模型在寫程式、摘要等 6 類任務中，表現平均下滑 39%。此外，重要要求如果埋在對話或文件中間，也可能被 AI 漏掉。Taylor 測試時讓 AI 閱讀 9 份專案文件，並把重要的錯誤回報放在第 6 份；當他詢問專案風險時，AI 完全沒有提到這項錯誤。
因此，只要 AI 反覆犯同樣的錯、漏看中間的資料，或開始違反最初的規則，導入團隊就可以考慮重開對話。發現其中一種情況時，先不要繼續補訊息，而是檢查目前的任務是否混入先前的目標、無關文件或互相矛盾的要求，再決定要回頭修正原有訊息，還是整理好目前進度後，移到新對話繼續處理。
固定規則不能只交代一次，該怎麼保存？
客服回覆的字數、報價審核的順序、採購比價的欄位與品管判定條件，都可能需要 AI Agent 每次依照同一套做法處理。如果團隊只在對話開頭交代一次，等到對話拉長，AI 就可能逐漸不再遵守。原文也提到，使用者要求 AI 遵守 Python 程式碼風格規範 PEP-8，但聊了 50 則訊息後，AI 已不再遵守這套規範。
團隊可以先盤點同仁經常重複提醒 AI 的內容，再分成「穩定規則」與「當次要求」。固定格式、必要檢查、判斷順序和不能省略的欄位，都屬於穩定規則，應該由負責人統一維護版本；客戶名稱、這次的交期和臨時限制，則留在當次任務裡。這樣規則有異動時，團隊可以清楚掌握改了哪一版，也不用期待 AI 從很久以前的對話中找回正確做法。
EgentWrX 的技能（AI Skill）機制可以保存需要固定套用的做法與規則，並在符合使用情境時套用；同仁也能在對話中指定使用。同仁自行建立的技能如果要推廣到全公司，必須先經過後台審查。企業可以先挑一項經常重複、判斷標準也很清楚的工作，列出同仁每次都會提醒 AI 的規則，指定維護者與審查人，再把這些規則寫成技能；只有這次任務才適用的條件，則不要放進技能裡。
正式依據與工作進度，應該存放在哪裡？
要避免上下文腐爛，不代表放進對話的資料愈少愈好。如果資訊不足，AI 可能自行猜測缺少的內容，最後只給出不符合公司實際情況的通用建議。企業可以把制度、產品規格、合約範本與歷史表格列為正式依據，和當次對話分開管理；每次交辦任務時，只指定這次需要查找的資料範圍，並在第一則訊息中集中寫清楚任務目的、限制、輸出格式與完成條件。
EgentWrX 的知識庫可以用 Wiki、向量（vector）或表格三種型態管理企業資料，並設定相似度門檻與最少引用數。AI Agent 如果找不到足夠的依據，就會拒絕回答，不會自行硬答。導入團隊應該實際測試兩種情況：有正式文件時，回答能不能引用正確的依據；找不到資料時，AI Agent 能不能拒絕回答，並清楚指出還缺哪些資料。相較於每次都把所有文件塞進對話，這種做法更容易確認答案的依據來自哪裡。
對於需要長時間處理的工作，導入團隊還要考慮如何交接。當 AI 開始重複犯錯、遺漏資訊或忽略原有規則時，可以先整理交接文件，再開啟新對話。交接文件至少要寫清楚已確認的事實與引用依據、已經做出的決定、尚未解決的問題和下一步。如果業務報價、採購比價或跨部門簽核會反覆發生，還可以進一步做成任務卡或工作流（workflow），並在金額超過部門上限、條件不明確等環節加入人工核可，讓流程先停下來，等負責人確認後再繼續。企業可以先從一項需要跨日處理的工作開始，建立固定的交接欄位，再實際測試新對話能不能只依靠交接文件與正式依據，接續完成後面的工作。
