Kontekstni prozor: što je i kako utječe na svakodnevno korištenje umjetne inteligencije
Vodič kroz kontekstni prozor u AI modelima: kako se mjeri tokenima, što ga ispunjava tijekom razgovora, koliko je velik u današnjim modelima, što se događa kada razgovor premaši ograničenje te svakodnevne navike za rad unutar njegovih granica.

Kontekstni prozor količina je teksta s kojom AI model može raditi odjednom. Ovaj vodič objašnjava što ga ispunjava, koliko je velik u današnjim modelima i kako svakodnevno raditi unutar njegovih granica.
Što je kontekstni prozor
Kontekstni prozor ograničenje je količine teksta koju AI model može obraditi odjednom. To ograničenje obuhvaća ulazni tekst, poput pitanja i dokumenta priloženog uz njega, te odgovor koji model daje. Ako nešto ne stane u prozor, model to ne može vidjeti ni upotrijebiti pri odgovaranju.
Kontekstni prozor odvojen je od onoga što je model naučio tijekom treniranja. Treniranje se odvija prije objave modela, na vrlo velikoj količini teksta, i daje modelu opće znanje i jezične vještine. Kontekstni prozor sadrži samo materijal za zadatak koji je trenutačno pred njim.
Sam AI model ne pamti ranije poruke. Razgovor sprema aplikacija u kojoj model radi, primjerice Perplexity ili ChatGPT. Uz svaku novu poruku aplikacija modelu šalje cijeli dosadašnji razgovor, a ne samo najnoviju poruku. Model sve to ponovno pročita prije nego što odgovori, a taj odgovor postaje dio onoga što se šalje sljedeći put. Prostor koji razgovor zauzima u prozoru raste sa svakom razmjenom poruka, pa i dugačak razgovor sastavljen od kratkih poruka može zauzeti mnogo prostora.
Kako se mjeri kontekstni prozor
Svaka poruka, dokument i odgovor u razgovoru zauzimaju prostor u prozoru. Raspoloživi prostor ne mjeri se određenim brojem riječi ili stranica, nego tokenima.
Token je dio teksta koji model obrađuje kao jednu cjelinu. To može biti kratka riječ, dio dulje riječi, interpunkcijski znak ili riječ zajedno s razmakom ispred nje. Prema podacima tvrtke OpenAI, 100 tokena otprilike odgovara 75 riječi. Prema toj približnoj procjeni za engleski jezik, izvješće od 3000 riječi imalo bi oko 4000 tokena.
Prije nego što model išta pročita, alat koji se naziva tokenizator dijeli tekst na tokene i svaki od njih pretvara u broj. Model obrađuje te brojeve, generira odgovor kao niz tokena, a alat ih zatim ponovno pretvara u tekst.
Broj tokena nije standardiziran. Ovisi o jeziku i sadržaju. Tokenizatori se mogu razlikovati od modela do modela, pa isti odlomak u različitim modelima može dati različit broj tokena.
Kontekstni prozor naspram spremljene memorije
Kontekstni prozor sadrži ono što model može upotrijebiti za odgovor na trenutačno pitanje. Primjerice, kada AI uređuje izvješće, prostor u prozoru zauzimaju samo izvješće, upute za uređivanje i poruke razmijenjene tijekom rada na njemu.
Spremljena memorija čuva odabrane pojedinosti između razgovora. U Perplexityju aplikacija automatski odabire što će spremiti: traži preferencije i važne informacije te veću težinu daje pojedinostima koje se često pojavljuju. Trajna uputa poput „Koristi britanski engleski u svim mojim tekstovima“ primjer je pojedinosti koju vrijedi zadržati, dok se „Skrati ovaj odlomak“ odnosi samo na trenutačni zadatak.
Kada aplikacija unese jednu od tih pojedinosti u novi razgovor, ona postaje dio konteksta modela i zauzima prostor u prozoru. U Perplexityju se kontrole memorije nalaze u odjeljku Postavke → Memorija. Isključivanjem memorije ona se prestaje koristiti u budućim odgovorima, ali se time ne brišu već spremljene pojedinosti.
Što ispunjava kontekstni prozor tijekom razgovora
Kontekstni prozor sadrži mnogo više od riječi koje osoba upiše. U tipičnom razgovoru prostor dijele četiri vrste teksta: upute aplikacije, povijest razgovora, materijal preuzet iz datoteka ili s weba te odgovor modela. Većina toga nikad se ne prikazuje na zaslonu.
Upute aplikacije
Prije nego što korisnikova poruka stigne do modela, aplikacija dodaje vlastite upute (često se nazivaju sustavskim upitom, engl. system prompt). One modelu govore kako se ponašati: kako oblikovati odgovore, kojim tonom pisati, koje alate smije koristiti te pojedinosti poput današnjeg datuma. Dio tog materijala, primjerice interne upute aplikacije, korisniku se obično ne prikazuje.
Povijest razgovora
To uključuje ranije odgovore modela, kao i sve korisnikove poruke za trenutačni odgovor. Odgovori umjetne inteligencije često su znatno dulji od korisnikovih pitanja.
Prenesene datoteke, web-stranice i rezultati pretraživanja
Tekst preuzet iz datoteka zauzima prostor u kontekstu uz razgovor, ali aplikacija može dati cijelu datoteku ili odabrati relevantne odlomke. Primjerice, Perplexity može u cijelosti analizirati kratke datoteke, a iz duljih izdvojiti važne dijelove kako bi odgovorio na upit.
Prostor zauzimaju i rezultati pretraživanja. Primjerice, kako bi odgovorio na upit, Perplexity može pretražiti web i modelu dati rezultate da ih pročita.
Odgovor i rasuđivanje modela
Odgovor se zapisuje u isti prozor, pa aplikacija za njega mora ostaviti mjesta. Neki modeli tijekom rada na odgovoru generiraju i interno rasuđivanje koje osoba možda nikad neće vidjeti. Tekst rasuđivanja postupni je rad modela, poput rastavljanja pitanja na dijelove ili provjere vlastitih brojki, zapisan prije konačnog odgovora. I on se obično ubraja u ograničenje prozora.
Veličine kontekstnog prozora u današnjim AI modelima
Veći kontekstni prozor znači da model može obraditi dulje dokumente, više izvora i dulje razgovore. Vodeći modeli tvrtki OpenAI, Anthropic i Google sada nude prozor od oko 1 milijun tokena. To je otprilike 1500 stranica teksta.
Model | Pružatelj | Kontekstni prozor (tokeni) |
GPT-6 Astra | OpenAI | 1,05 milijuna |
Claude Opus 5.5 | Anthropic | 1 milijun |
Gemini 4 Argon | 1.048.576 |
Specifikacije API-ja pružatelja, provjereno 5. studenoga 2026. Ograničenja dostupna unutar aplikacije mogu se razlikovati.
Veći prozor ne znači da model cijeli prozor koristi jednako dobro. Istraživanja su pokazala da rezultati mogu postati manje pouzdani kako se duljina unosa povećava, a ta je pojava poznata kao truljenje konteksta (engl. context rot).
Ograničenja unosa i ograničenja izlaza
Kontekstni prozor zajednički je proračun za sve što model čita i piše. Model može pročitati mnogo više nego što može napisati u jednom odgovoru.
Pri obradi unosa model može paralelno raditi na mnogo tokena. Pri generiranju odgovora obično proizvodi tokene redom, koristeći ono što je prethodilo kako bi odabrao što slijedi. Ne može odabrati petu riječ rečenice dok ne zna prve četiri, pa odgovor mora proizvoditi token po token.
Zbog toga je generiranje dugih odgovora mnogo sporije i skuplje od čitanja dugih unosa. Zato se zahtjev za prepravljanje ili prijevod vrlo dugog dokumenta može prekinuti na pola puta i zato je bolje zatražiti rezultat po odjeljcima.
Što se događa kada razgovor premaši ograničenje
Kada razgovor postane prevelik za kontekstni prozor, aplikacija mora osloboditi prostor prije nego što model može odgovoriti. Aplikacije to rade na nekoliko načina, a svaki od njih mijenja ono što model i dalje može vidjeti.
Jedan je pristup najprije ukloniti najstarije poruke. Model nastavlja raditi s novijim dijelom razgovora. Rane korisnikove upute, odluke ili odlomci dokumenata mogu ispasti iz prozora. Model se ne može pozvati na tekst koji više nema, ali neće nužno upozoriti korisnika da nešto nedostaje.
Drugi je pristup sažeti raniji dio razgovora i zadržati sažetak umjesto punog teksta. To je oblik onoga što se naziva sažimanjem konteksta (engl. context compaction). Sažetak zauzima mnogo manje prostora, pa razgovor može trajati znatno dulje. No sažetak može izostaviti pojedinosti kao što su točne brojke, imena ili formulacije.
Kada model ukloni ili sažme svoj kontekst, može početi tražiti informacije koje bi već trebao znati. Može iznenada prestati slijediti upute zadane na početku, poput formata ili željenog tona. Može proturječiti ranijoj odluci korisnika ili postati neodređen u vezi s ranije podijeljenom dokumentacijom.
Neke aplikacije umjesto toga zaustave razgovor i zatraže od osobe da započne novi ili odbiju poruku ili datoteku koja je preduga da bi stala.
Svakodnevne navike za rad unutar kontekstnog prozora
- Započnite novu nit za svaki novi zadatak: primjerice, izvješće pregledajte u zasebnom razgovoru umjesto da ga dodate u postojeću nit o planiranju događaja.
- Prenesite samo ono što je potrebno: kada se zadatak nadovezuje na raniji rad, zatražite od modela da izdvoji potvrđene pojedinosti i odobrene formulacije potrebne za sljedeći zadatak.
- Dijelite samo relevantne informacije: primjerice, za pitanje o tome kako su odabrani sudionici ankete priložite odjeljak o metodologiji i popratne bilješke umjesto cijelog izvješća.
- Pronađite relevantni odjeljak prije dijeljenja dugog dokumenta: ako izvješće ili priručnik ima sadržaj, najprije podijelite njega. Pitajte model koji će odjeljci vjerojatno odgovoriti na pitanje, a zatim te odjeljke kopirajte u razgovor.
- Duge dokumente pregledavajte u dijelovima: podijelite priručnik ili izvješće po pravilima, poglavljima ili temama. Za neovisne preglede koristite zasebne niti s istim uputama za svaki.
- Duge rezultate tražite u fazama: za opsežno prepravljanje ili prijevod tražite jedan po jedan odjeljak u istoj niti. Navedite odjeljak ili raspon stranica i provjerite rezultat prije nego što zatražite od modela da nastavi.
- Odredite korisnu duljinu odgovora: zatražite pet nalaza, kratko objašnjenje ili tablicu s određenim stupcima. Ne tražite detaljnu analizu kada bi bio dovoljan kratak odgovor.
- Tražite ciljane izmjene: da biste promijenili jedan odlomak u nacrtu, zatražite od modela da prepravi samo taj odlomak. Navedite što treba promijeniti umjesto da tražite da ponovno napiše cijeli nacrt.
Kako Perplexity upravlja kontekstom
Kontekst kojim Perplexity raspolaže obuhvaća više od samog razgovora. Može se oslanjati i na informacije pronađene pretraživanjem uživo, spremljene preferencije i datoteke priložene za zadatak.
Kod istraživačkog pitanja pretraživanje uživo pruža izvorni materijal koji model može upotrijebiti za sastavljanje odgovora, uz citate koji pokazuju odakle informacije potječu. Primjerice, pitanje o novom propisu može u zadatak unijeti relevantne informacije s weba, bez prethodnog prikupljanja članaka i njihova lijepljenja u chat.
Spremljena memorija pruža drukčiju vrstu konteksta: relevantne pojedinosti iz ranijih razgovora, poput preferencija pisanja ili pozadinskih informacija o projektu u tijeku. Perplexity dohvaća te pojedinosti pri odgovaranju, a memorija radi sa svim modelima koje nudi. Spremljena preferencija stoga može ostati dostupna i kada promijenite model unutar Perplexityja.
Za rad koji obuhvaća više razgovora projekti drže datoteke i upute na jednom mjestu, a upute projekta primjenjuju se na svaki upit. Publika, svrha i zahtjevi za pisanje izvješća mogu ostati u projektu, dok se istraživanje i pisanje nacrta odvijaju u zasebnim nitima.
U vodiču Prvi koraci s Perplexityjem pronađite smjernice o postavljanju pitanja, radu s datotekama i nadogradnji odgovora dodatnim upitima.
Česta pitanja
Ubrajaju li se slike u kontekstni prozor?
Da. Slike se pretvaraju u tokene koji zauzimaju prostor uz tekst. Broj tokena ovisi o tome kako ih model obrađuje. Snimka zaslona ili skenirana stranica zauzima prostor u kontekstu čak i kada njezin tekst nije kopiran u chat.
Košta li veći kontekstni prozor više?
Ne nužno. Veći prozor opisuje koliko model može obraditi, a ne koliki dio tog kapaciteta zadatak koristi.
Može li se vidjeti koliki je dio kontekstnog prozora razgovor iskoristio?
Ponekad. Neke aplikacije prikazuju mjerač konteksta koji pokazuje koliko je prozor popunjen. Brojač koji prikazuje „preostale poruke“ znači nešto drugo: koliko još zahtjeva račun može poslati, a ne koliko informacija model još može smjestiti u razgovor. Potražite upravo mjerač konteksta.
Može li netko nastaviti razgovor koji je podijeljen s njim?
Da. U Perplexityju netko može pročitati podijeljeni razgovor i postaviti dodatno pitanje. To pitanje pokreće novi razgovor na njegovu računu, a izvorni razgovor ostaje nepromijenjen.