Okno kontekstowe: czym jest i jak wpływa na codzienne korzystanie z AI

Przewodnik po oknie kontekstowym w modelach AI: jak mierzy się je w tokenach, co je wypełnia podczas rozmowy, jak duże jest w obecnych modelach, co się dzieje, gdy rozmowa przekroczy limit, oraz jakie codzienne nawyki pomagają pracować w jego granicach.

Diagram of a conversation growing over five messages: each new message resends all earlier messages and replies, so the total moves closer to the context window limit.

Okno kontekstowe to ilość tekstu, z jaką model AI może pracować jednocześnie. W tym przewodniku wyjaśniamy, co je wypełnia, jak duże jest w obecnych modelach i jak na co dzień pracować w jego granicach.

Czym jest okno kontekstowe

Okno kontekstowe to limit ilości tekstu, jaką model AI może obsłużyć jednocześnie. Limit obejmuje zarówno tekst wejściowy, np. pytanie i dołączony do niego dokument, jak i odpowiedź generowaną przez model. Jeśli coś nie mieści się w oknie, model nie może tego zobaczyć ani wykorzystać podczas udzielania odpowiedzi.

Okno kontekstowe to coś innego niż wiedza, którą model zdobył podczas trenowania. Trenowanie odbywa się przed udostępnieniem modelu, na bardzo dużym zbiorze tekstów, i zapewnia mu ogólną wiedzę oraz umiejętności językowe. Okno kontekstowe zawiera wyłącznie materiały dotyczące bieżącego zadania.

Sam model AI nie pamięta wcześniejszych wiadomości. Rozmowę zapisuje aplikacja, w której działa, np. Perplexity lub ChatGPT. Z każdą nową wiadomością aplikacja wysyła modelowi całą dotychczasową rozmowę, a nie tylko ostatnią wiadomość. Przed odpowiedzią model ponownie czyta całość, a jego odpowiedź staje się częścią tego, co zostanie wysłane następnym razem. Miejsce zajmowane przez rozmowę w oknie rośnie z każdą wymianą wiadomości, więc nawet długi czat złożony z krótkich wiadomości może zajmować dużo miejsca.

Jak mierzy się okno kontekstowe

Każda wiadomość, dokument i odpowiedź w rozmowie zajmuje miejsce w oknie. Dostępną przestrzeń mierzy się w tokenach, a nie w określonej liczbie słów czy stron.

Token to fragment tekstu, który model traktuje jako pojedynczą jednostkę. Może to być krótkie słowo, część dłuższego słowa, znak interpunkcyjny lub słowo wraz z poprzedzającą je spacją. Według OpenAI 100 tokenów to około 75 słów. Zgodnie z tym przybliżonym szacunkiem dla języka angielskiego raport liczący 3000 słów miałby około 4000 tokenów.

Zanim model cokolwiek przeczyta, narzędzie zwane tokenizatorem dzieli tekst na tokeny i zamienia każdy z nich na liczbę. Model przetwarza te liczby, generuje odpowiedź jako sekwencję tokenów, a narzędzie zamienia je z powrotem na tekst.

Liczba tokenów nie jest ustandaryzowana. Zależy od języka i treści. Tokenizatory mogą się różnić w zależności od modelu, więc ten sam akapit może dać różną liczbę tokenów w różnych modelach.

Okno kontekstowe a zapisane wspomnienia

Okno kontekstowe zawiera to, z czego model może skorzystać, aby odpowiedzieć na bieżące pytanie. Na przykład gdy AI redaguje raport, miejsce w oknie zajmują sam raport, instrukcje dotyczące redakcji oraz wiadomości wymieniane podczas pracy nad nim.

Zapisane wspomnienia przechowują wybrane szczegóły między rozmowami. W Perplexity aplikacja automatycznie wybiera, co zapisać: szuka preferencji i ważnych informacji, przypisując większą wagę szczegółom, które często się powtarzają. Trwała instrukcja, taka jak „Używaj brytyjskiej odmiany angielskiego we wszystkich moich tekstach”, to przykład szczegółu wartego zachowania, natomiast „Skróć ten akapit” dotyczy tylko bieżącego zadania.

Gdy aplikacja przenosi jeden z tych szczegółów do nowej rozmowy, staje się on częścią kontekstu modelu i zajmuje miejsce w oknie. W Perplexity ustawienia pamięci znajdują się w sekcji Ustawienia → Pamięć. Wyłączenie pamięci sprawia, że nie będzie ona wykorzystywana w przyszłych odpowiedziach, ale nie usuwa już zapisanych szczegółów.

Co wypełnia okno kontekstowe podczas rozmowy

Okno kontekstowe zawiera znacznie więcej niż słowa wpisane przez użytkownika. W typowej rozmowie miejsce to dzielą cztery rodzaje tekstu: instrukcje od aplikacji, historia rozmowy, materiały pobrane z plików lub internetu oraz odpowiedź modelu. Większość z nich nigdy nie pojawia się na ekranie.

Instrukcje od aplikacji

Zanim wiadomość użytkownika dotrze do modelu, aplikacja dodaje własne instrukcje (często nazywane promptem systemowym). Określają one, jak model ma się zachowywać: jak formatować odpowiedzi, jakiego tonu używać i z jakich narzędzi może korzystać, a także przekazują szczegóły, takie jak dzisiejsza data. Część tych materiałów, np. wewnętrzne instrukcje aplikacji, zwykle nie jest pokazywana użytkownikowi.

Historia rozmowy

Obejmuje ona wcześniejsze odpowiedzi modelu, a także wszystkie wiadomości użytkownika potrzebne do bieżącej odpowiedzi. Odpowiedzi AI są często znacznie dłuższe niż pytania użytkownika.

Przesłane pliki, strony internetowe i wyniki wyszukiwania

Tekst pobrany z plików zajmuje miejsce w kontekście obok rozmowy, ale aplikacja może przekazać cały plik albo wybrać odpowiednie fragmenty. Na przykład Perplexity może przeanalizować krótkie pliki w całości, a z dłuższych wyodrębnić ważne części, aby odpowiedzieć na zapytanie.

Wyniki wyszukiwania również zajmują miejsce. Na przykład, aby odpowiedzieć na zapytanie, Perplexity może przeszukać internet i przekazać modelowi wyniki do przeczytania.

Odpowiedź i rozumowanie modelu

Odpowiedź jest zapisywana w tym samym oknie, więc aplikacja musi zostawić na nią miejsce. Niektóre modele podczas pracy nad odpowiedzią generują też wewnętrzne rozumowanie, którego użytkownik może nigdy nie zobaczyć. Tekst rozumowania to rozpisany krok po kroku tok pracy modelu, np. dzielenie pytania na części lub sprawdzanie własnych obliczeń, spisany przed ostateczną odpowiedzią. Zwykle on również wlicza się do limitu okna.

Rozmiary okna kontekstowego w obecnych modelach AI

Większe okno kontekstowe oznacza, że model może obsłużyć dłuższe dokumenty, więcej źródeł i dłuższe rozmowy. Czołowe modele OpenAI, Anthropic i Google oferują obecnie okno o rozmiarze około 1 miliona tokenów. To mniej więcej 1500 stron tekstu.

Model

Dostawca

Okno kontekstowe (tokeny)

GPT-6 Astra

OpenAI

1,05 mln

Claude Opus 5.5

Anthropic

1 mln

Gemini 4 Argon

Google

1 048 576

Specyfikacje API dostawców, stan na 5 listopada 2026 r. Limity dostępne w aplikacjach mogą się różnić.

Większe okno nie oznacza, że model równie dobrze wykorzystuje całą jego pojemność. Badania wykazały, że wraz ze wzrostem długości danych wejściowych wydajność modelu może stawać się mniej niezawodna. Zjawisko to nazywa się degradacją kontekstu (ang. context rot).

Limity danych wejściowych i wyjściowych

Okno kontekstowe to wspólny budżet na wszystko, co model czyta i pisze. Model może przeczytać znacznie więcej, niż jest w stanie napisać w jednej odpowiedzi.

Podczas przetwarzania danych wejściowych model może pracować na wielu tokenach równolegle. Podczas generowania odpowiedzi zwykle tworzy tokeny po kolei, wykorzystując to, co pojawiło się wcześniej, do wyboru kolejnego. Nie może wybrać piątego słowa zdania, dopóki nie zna pierwszych czterech, więc musi tworzyć odpowiedź token po tokenie.

W rezultacie tworzenie długich odpowiedzi jest znacznie wolniejsze i droższe niż czytanie długich danych wejściowych. Dlatego prośba o przeredagowanie lub przetłumaczenie bardzo długiego dokumentu może zostać przerwana w połowie i dlatego lepiej sprawdza się prośba o wynik w częściach.

Co się dzieje, gdy rozmowa przekroczy limit

Gdy rozmowa staje się zbyt duża dla okna kontekstowego, aplikacja musi zrobić miejsce, zanim model będzie mógł odpowiedzieć. Aplikacje robią to na kilka różnych sposobów, a każdy z nich zmienia to, co model nadal widzi.

Jednym ze sposobów jest usuwanie w pierwszej kolejności najstarszych wiadomości. Model nadal pracuje z najnowszą częścią rozmowy. Wczesne instrukcje użytkownika, decyzje lub fragmenty dokumentów mogą wypaść z okna. Model nie może odwołać się do tekstu, którego już nie ma, ale niekoniecznie poinformuje użytkownika, że czegoś brakuje.

Innym sposobem jest podsumowanie wcześniejszej części rozmowy i zachowanie podsumowania zamiast pełnego tekstu. Jest to forma tzw. kompaktowania kontekstu. Podsumowanie zajmuje znacznie mniej miejsca, więc rozmowa może trwać dużo dłużej. Może jednak pomijać szczegóły, takie jak dokładne liczby, nazwy czy sformułowania.

Gdy model usunął lub skompaktował swój kontekst, może zacząć prosić o informacje, które powinien już znać. Może nagle przestać stosować się do instrukcji podanych na początku, np. dotyczących formatu lub preferowanego tonu. Może postąpić wbrew wcześniejszej decyzji użytkownika albo zacząć wypowiadać się ogólnikowo o udostępnionej wcześniej dokumentacji.

Niektóre aplikacje zamiast tego przerywają rozmowę i proszą użytkownika o rozpoczęcie nowej albo odrzucają wiadomość lub plik, który jest zbyt długi, by się zmieścić.

Codzienne nawyki ułatwiające pracę w granicach okna kontekstowego

  • Rozpoczynaj nowy wątek dla każdego nowego zadania: na przykład przeglądaj raport w osobnej rozmowie, zamiast dodawać go do istniejącego wątku o planowaniu wydarzenia.
  • Przenoś tylko to, co potrzebne: gdy zadanie opiera się na wcześniejszej pracy, poproś model o wyodrębnienie potwierdzonych szczegółów i zatwierdzonych sformułowań potrzebnych do kolejnego zadania.
  • Udostępniaj tylko istotne informacje: na przykład przy pytaniu o to, jak wybrano uczestników ankiety, przekaż sekcję dotyczącą metodologii i notatki uzupełniające zamiast całego raportu.
  • Znajdź odpowiednią sekcję, zanim udostępnisz długi dokument: jeśli raport lub podręcznik ma spis treści, najpierw udostępnij spis. Zapytaj model, które sekcje prawdopodobnie zawierają odpowiedź na pytanie, a następnie skopiuj te sekcje do rozmowy.
  • Przeglądaj długie dokumenty w częściach: podziel podręcznik lub raport według zasad, rozdziałów lub tematów. Do niezależnych przeglądów używaj osobnych wątków, z tymi samymi instrukcjami dla każdego z nich.
  • Proś o długie wyniki etapami: przy obszernym przeredagowaniu lub tłumaczeniu proś o jedną sekcję naraz w tym samym wątku. Wskaż sekcję lub zakres stron i sprawdź wynik, zanim poprosisz model o kontynuację.
  • Określ przydatną długość odpowiedzi: poproś o pięć wniosków, krótkie wyjaśnienie lub tabelę z określonymi kolumnami. Nie proś o szczegółową analizę, gdy wystarczy krótka odpowiedź.
  • Proś o konkretne poprawki: aby zmienić jeden akapit w wersji roboczej, poproś model o przeredagowanie tylko tego akapitu. Określ, co wymaga zmiany, zamiast prosić o odtworzenie całej wersji roboczej.

Jak Perplexity zarządza kontekstem

Kontekst w Perplexity obejmuje więcej niż samą rozmowę. Perplexity może również korzystać z informacji znalezionych w wyszukiwaniu na żywo, zapisanych preferencji i plików przekazanych na potrzeby zadania.

W przypadku pytań badawczych wyszukiwanie na żywo dostarcza materiałów źródłowych, z których model może skorzystać, aby przygotować odpowiedź, a cytowania pokazują, skąd pochodzą informacje. Na przykład pytanie o nową regulację może wprowadzić do zadania odpowiednie informacje z internetu bez konieczności wcześniejszego zbierania artykułów i wklejania ich do czatu.

Zapisane wspomnienia dostarczają innego rodzaju kontekstu: istotnych szczegółów z wcześniejszych rozmów, takich jak preferencje dotyczące pisania czy informacje o trwającym projekcie. Perplexity pobiera te szczegóły podczas udzielania odpowiedzi, a pamięć działa we wszystkich oferowanych modelach. Dzięki temu zapisana preferencja może pozostać dostępna po zmianie modelu w Perplexity.

W przypadku pracy obejmującej kilka rozmów projekty pozwalają przechowywać pliki i instrukcje w jednym miejscu, a instrukcje projektu mają zastosowanie do każdego zapytania. Odbiorcy raportu, jego cel i wymagania redakcyjne mogą być zapisane w projekcie, podczas gdy badania i przygotowywanie wersji roboczych odbywają się w osobnych wątkach.

Zapoznaj się z przewodnikiem Pierwsze kroki z Perplexity, aby dowiedzieć się, jak zadawać pytania, pracować z plikami i rozwijać odpowiedzi za pomocą pytań uzupełniających.

Najczęściej zadawane pytania

Czy obrazy wliczają się do okna kontekstowego?

Tak. Obrazy są zamieniane na tokeny, które zajmują miejsce obok tekstu. Liczba tokenów zależy od tego, jak model przetwarza obrazy. Zrzut ekranu lub zeskanowana strona zajmuje miejsce w kontekście, nawet jeśli zawarty w nich tekst nie został skopiowany do czatu.

Czy większe okno kontekstowe kosztuje więcej?

Niekoniecznie. Większe okno określa, ile model jest w stanie obsłużyć, a nie to, jaką część tej pojemności wykorzystuje dane zadanie.

Czy można sprawdzić, jaką część okna kontekstowego wykorzystała rozmowa?

Czasami. Niektóre aplikacje wyświetlają wskaźnik kontekstu pokazujący, jak bardzo zapełnione jest okno. Licznik „pozostałych wiadomości” oznacza coś innego: ile jeszcze zapytań można wysłać z danego konta, a nie ile informacji model może jeszcze zmieścić w rozmowie. Szukaj właśnie wskaźnika kontekstu.

Czy można kontynuować rozmowę, którą ktoś nam udostępnił?

Tak. W Perplexity osoba, której udostępniono rozmowę, może ją przeczytać i zadać pytanie uzupełniające. To pytanie rozpoczyna nową rozmowę na jej koncie, a oryginalna rozmowa pozostaje bez zmian.