Kontextové okno: co to je a jak ovlivňuje každodenní práci s AI
Průvodce kontextovým oknem v modelech AI: jak se měří v tokenech, co ho během konverzace zaplňuje, jak velké je u současných modelů, co se stane, když konverzace překročí limit, a jaké každodenní návyky pomáhají pracovat v jeho rámci.

Kontextové okno je množství textu, se kterým dokáže model AI najednou pracovat. Tento průvodce vysvětluje, co ho zaplňuje, jak velké je u současných modelů a jak se do něj vejít při každodenní práci.
Co je kontextové okno
Kontextové okno je limit toho, kolik textu dokáže model AI najednou zpracovat. Limit zahrnuje vstupní text, například otázku a k ní přiložený dokument, i výstupní odpověď. Co se do okna nevejde, to model nevidí a nemůže to při odpovídání použít.
Kontextové okno je něco jiného než to, co se model naučil během trénování. Trénování probíhá před vydáním modelu na velmi rozsáhlém souboru textů a dává modelu obecné znalosti a jazykové dovednosti. Kontextové okno obsahuje pouze materiál k úkolu, který model právě řeší.
Samotný model AI si dřívější zprávy nepamatuje. Konverzaci ukládá aplikace, ve které běží, například Perplexity nebo ChatGPT. S každou novou zprávou aplikace pošle modelu celou dosavadní konverzaci, nejen poslední zprávu. Model si ji před odpovědí celou znovu přečte a jeho odpověď se stane součástí toho, co se odešle příště. Místo, které konverzace v okně zabírá, roste s každou výměnou, takže i dlouhý chat složený z krátkých zpráv může zabrat hodně místa.
Jak se kontextové okno měří
Každá zpráva, dokument a odpověď v konverzaci zabírá v okně místo. Dostupné místo se neměří určitým počtem slov nebo stránek, ale v tokenech.
Token je část textu, kterou model zpracovává jako jednu jednotku. Může to být krátké slovo, část delšího slova, interpunkční znaménko nebo slovo i s mezerou před ním. Podle OpenAI odpovídá 100 tokenů přibližně 75 slovům. Podle tohoto přibližného odhadu pro angličtinu by report o 3 000 slovech měl asi 4 000 tokenů.
Než model cokoli přečte, nástroj zvaný tokenizér rozdělí text na tokeny a každý z nich převede na číslo. Model tato čísla zpracuje, vygeneruje odpověď jako posloupnost tokenů a nástroj je převede zpět na text.
Počty tokenů nejsou standardizované. Závisí na jazyce a obsahu. Tokenizéry se mezi modely mohou lišit, takže stejný odstavec může v různých modelech představovat různý počet tokenů.
Kontextové okno vs. uložená paměť
Kontextové okno obsahuje to, co model může použít k zodpovězení aktuální otázky. Když například AI upravuje report, zabírá místo v okně samotný report, pokyny k úpravám i zprávy vyměněné během práce na něm.
Uložená paměť uchovává vybrané podrobnosti mezi konverzacemi. V Perplexity aplikace automaticky vybírá, co uložit: hledá preference a důležité informace a přikládá váhu podrobnostem, které se často objevují. Trvalý pokyn jako „Ve všech mých textech používej britskou angličtinu“ ilustruje typ podrobnosti, kterou má smysl uchovat, zatímco „Zkrať tento odstavec“ se týká jen aktuálního úkolu.
Když aplikace některou z těchto podrobností přenese do nové konverzace, stane se součástí kontextu modelu a zabírá místo v okně. V Perplexity najdete ovládání paměti v části Nastavení → Paměť. Vypnutím paměti se přestane používat v budoucích odpovědích, ale již uložené podrobnosti se tím nesmažou.
Co zaplňuje kontextové okno během konverzace
Kontextové okno obsahuje mnohem víc než jen slova, která člověk napíše. V typické konverzaci se o místo dělí čtyři druhy textu: pokyny od aplikace, historie konverzace, materiál ze souborů nebo z webu a odpověď modelu. Většina z toho se na obrazovce nikdy nezobrazí.
Pokyny od aplikace
Než zpráva od člověka dorazí k modelu, aplikace k ní přidá vlastní pokyny (často se jim říká systémový prompt). Ty modelu říkají, jak se má chovat: jak formátovat odpovědi, jaký tón použít, které nástroje může používat, a také podrobnosti, jako je dnešní datum. Část tohoto materiálu, například interní pokyny aplikace, se uživateli běžně nezobrazuje.
Historie konverzace
Zahrnuje dřívější odpovědi modelu i všechny zprávy daného člověka, které se týkají aktuální odpovědi. Odpovědi AI bývají často mnohem delší než otázky uživatele.
Nahrané soubory, webové stránky a výsledky vyhledávání
Text ze souborů zabírá místo v kontextu vedle konverzace, ale aplikace může poskytnout celý soubor, nebo vybrat jen relevantní pasáže. Perplexity například dokáže krátké soubory analyzovat celé a z delších souborů vytáhnout důležité části, aby mohla odpovědět na dotaz.
Místo zabírají i výsledky vyhledávání. Perplexity například může kvůli odpovědi na dotaz prohledat web a předat modelu výsledky ke čtení.
Odpověď a uvažování modelu
Odpověď se zapisuje do stejného okna, takže pro ni aplikace musí nechat místo. Některé modely také při práci na odpovědi generují interní uvažování, které člověk nemusí nikdy vidět. Text uvažování je postup modelu krok za krokem, například rozdělení otázky na části nebo kontrola vlastních čísel, zapsaný před konečnou odpovědí. Obvykle se rovněž započítává do limitu okna.
Velikost kontextového okna u současných modelů AI
Větší kontextové okno znamená, že model zvládne delší dokumenty, více zdrojů a delší konverzace. Přední modely od OpenAI, Anthropic a Google dnes nabízejí okno o velikosti přibližně 1 milionu tokenů. To odpovídá zhruba 1 500 stranám textu.
Model | Poskytovatel | Kontextové okno (tokeny) |
GPT-6 Astra | OpenAI | 1,05 milionu |
Claude Opus 5.5 | Anthropic | 1 milion |
Gemini 4 Argon | 1 048 576 |
Specifikace API poskytovatelů, ověřeno 5. listopadu 2026. Limity dostupné v aplikaci se mohou lišit.
Větší okno neznamená, že ho model celé využívá stejně dobře. Výzkum zjistil, že s rostoucí délkou vstupu může výkon ztrácet na spolehlivosti. Tento jev se označuje jako context rot (degradace kontextu).
Limity vstupu a výstupu
Kontextové okno je společný rozpočet pro vše, co model čte a píše. Model dokáže přečíst mnohem víc, než dokáže napsat v jedné odpovědi.
Při zpracování vstupu může model pracovat s mnoha tokeny paralelně. Při generování odpovědi obvykle vytváří tokeny postupně a podle toho, co už vytvořil, volí, co bude následovat. Páté slovo věty nemůže zvolit, dokud nezná první čtyři, takže odpověď musí vytvářet po jednom tokenu.
Vytváření dlouhých odpovědí je proto mnohem pomalejší a dražší než čtení dlouhých vstupů. Právě proto se požadavek na přepsání nebo překlad velmi dlouhého dokumentu může v půlce zastavit a proto funguje lépe požádat o výsledek po částech.
Co se stane, když konverzace překročí limit
Když se konverzace do kontextového okna přestane vejít, musí aplikace uvolnit místo, než model může odpovědět. Aplikace to řeší několika různými způsoby a každý z nich mění, co model ještě vidí.
Jedním přístupem je vypouštět nejdřív nejstarší zprávy. Model dál pracuje s novější částí konverzace. Dřívější pokyny uživatele, rozhodnutí nebo pasáže dokumentů mohou z okna vypadnout. Model se nemůže odkazovat na text, který už nemá, ale nemusí uživateli říct, že něco chybí.
Dalším přístupem je shrnout dřívější část konverzace a místo celého textu uchovat shrnutí. Jde o formu takzvané komprimace kontextu. Shrnutí zabírá mnohem méně místa, takže konverzace může trvat mnohem déle. Mohou v něm ale chybět podrobnosti, jako jsou přesná čísla, jména nebo formulace.
Když model svůj kontext vypustil nebo zkomprimoval, může se začít ptát na informace, které by už měl znát. Může náhle přestat dodržovat pokyny zadané na začátku, například formát nebo preferovaný tón. Může odporovat dřívějšímu rozhodnutí uživatele nebo začít být neurčitý ohledně dříve sdílené dokumentace.
Některé aplikace místo toho konverzaci ukončí a požádají uživatele, aby začal novou, nebo odmítnou zprávu či soubor, který je příliš dlouhý.
Každodenní návyky pro práci v rámci kontextového okna
- Pro každý nový úkol začněte nové vlákno: Například report si nechte zkontrolovat v samostatné konverzaci, místo abyste ho přidávali do existujícího vlákna o plánování akce.
- Přenášejte jen to, co je potřeba: Když úkol navazuje na dřívější práci, požádejte model, aby vybral potvrzené podrobnosti a schválené formulace potřebné pro další úkol.
- Sdílejte jen relevantní informace: Například u otázky, jak byli vybráni účastníci průzkumu, poskytněte část o metodice a podpůrné poznámky místo celého reportu.
- Před sdílením dlouhého dokumentu najděte relevantní část: Pokud má report nebo příručka obsah, sdílejte nejdřív ten. Zeptejte se modelu, které části pravděpodobně odpovídají na otázku, a pak tyto části zkopírujte do konverzace.
- Dlouhé dokumenty kontrolujte po částech: Rozdělte příručku nebo report podle zásad, kapitol nebo témat. Pro nezávislé kontroly používejte samostatná vlákna se stejnými pokyny pro každé z nich.
- Dlouhé výstupy si vyžádejte po etapách: U rozsáhlého přepisu nebo překladu žádejte ve stejném vláknu vždy o jednu část. Uveďte název části nebo rozsah stránek a výsledek zkontrolujte dřív, než model požádáte, aby pokračoval.
- Nastavte vhodnou délku odpovědi: Požádejte o pět zjištění, krátké vysvětlení nebo tabulku s konkrétními sloupci. Nežádejte podrobnou analýzu, když by stačila stručná odpověď.
- Žádejte cílené úpravy: Chcete-li změnit jeden odstavec v konceptu, požádejte model, aby přepsal pouze tento odstavec. Upřesněte, co je potřeba změnit, místo abyste ho žádali o přepsání celého konceptu.
Jak Perplexity spravuje kontext
Kontext v Perplexity zahrnuje víc než jen konverzaci. Může čerpat i z informací nalezených živým vyhledáváním, z uložených preferencí a ze souborů poskytnutých k úkolu.
U výzkumné otázky poskytuje živé vyhledávání zdrojový materiál, ze kterého model může sestavit odpověď, a citace ukazují, odkud informace pocházejí. Například dotaz na novou regulaci může do úkolu přinést relevantní informace z webu, aniž byste museli nejdřív shromažďovat články a vkládat je do chatu.
Uložená paměť poskytuje jiný druh kontextu: relevantní podrobnosti z dřívějších konverzací, například preference při psaní nebo informace o probíhajícím projektu. Perplexity tyto podrobnosti při odpovídání načítá a paměť funguje napříč modely, které nabízí. Uložená preference tak může zůstat k dispozici i po přepnutí modelu v Perplexity.
Při práci, která se táhne přes několik konverzací, uchovávají projekty soubory a pokyny pohromadě a pokyny projektu platí pro každý dotaz. Cílové publikum, účel a požadavky na psaní reportu mohou zůstat uložené v projektu, zatímco výzkum a psaní konceptů probíhají v samostatných vláknech.
Projděte si Začínáme s Perplexity, kde najdete rady, jak klást otázky, pracovat se soubory a navazovat na odpovědi doplňujícími dotazy.
Časté otázky
Započítávají se obrázky do kontextového okna?
Ano. Obrázky se převádějí na tokeny, které zabírají místo vedle textu. Počet tokenů závisí na tom, jak je model zpracovává. Snímek obrazovky nebo naskenovaná stránka zabírá místo v kontextu, i když jejich text nebyl do chatu zkopírován.
Stojí větší kontextové okno víc?
Ne nutně. Větší okno popisuje, kolik toho model zvládne zpracovat, ne jakou část této kapacity úkol využije.
Dá se zjistit, jakou část kontextového okna konverzace už využila?
Někdy. Některé aplikace zobrazují ukazatel kontextu, podle kterého poznáte, jak plné je okno. Počítadlo „zbývajících zpráv“ znamená něco jiného: kolik dalších požadavků může účet odeslat, ne kolik informací model do konverzace ještě pojme. Hledejte konkrétně ukazatel kontextu.
Může někdo pokračovat v konverzaci, kterou s ním jiný uživatel sdílel?
Ano. V Perplexity si kdokoli může sdílenou konverzaci přečíst a položit doplňující otázku. Tato otázka zahájí novou konverzaci v jeho účtu a původní konverzace zůstane beze změny.