Kontekstni prozor: šta je to i kako utiče na svakodnevno korišćenje AI-ja
Vodič kroz kontekstni prozor u AI modelima: kako se meri u tokenima, šta ga popunjava tokom razgovora, koliko je velik u aktuelnim modelima, šta se dešava kada razgovor pređe ograničenje i svakodnevne navike za rad u okviru njega.

Kontekstni prozor je količina teksta sa kojom AI model može da radi u jednom trenutku. Ovaj vodič objašnjava šta ga popunjava, koliko je velik u aktuelnim modelima i kako da svakodnevno radite u okviru njega.
Šta je kontekstni prozor
Kontekstni prozor je ograničenje količine teksta koju AI model može da obradi u jednom trenutku. Ograničenje obuhvata tekst koji ulazi, kao što su pitanje i bilo koji dokument priložen uz njega, kao i odgovor koji izlazi. Ako nešto ne stane u prozor, model to ne može da vidi niti da iskoristi pri odgovaranju.
Kontekstni prozor je odvojen od onoga što je model naučio tokom treniranja. Treniranje se odvija pre objavljivanja modela, na veoma velikom korpusu teksta, i daje modelu opšte znanje i jezičke veštine. Kontekstni prozor sadrži samo materijal za zadatak koji je pred njim.
Sam AI model ne pamti ranije poruke. Aplikacija u kojoj radi, kao što su Perplexity ili ChatGPT, čuva razgovor. Uz svaku novu poruku aplikacija modelu šalje ceo dosadašnji razgovor, a ne samo poslednju poruku. Model ga ponovo čita u celosti pre nego što odgovori, a taj odgovor postaje deo onoga što se šalje sledeći put. Prostor koji razgovor zauzima u prozoru raste sa svakom razmenom, pa i dug razgovor sastavljen od kratkih poruka može da zauzme mnogo prostora.
Kako se meri kontekstni prozor
Svaka poruka, dokument i odgovor u razgovoru zauzimaju prostor u prozoru. Raspoloživi prostor meri se u tokenima, a ne određenim brojem reči ili stranica.
Token je deo teksta koji model obrađuje kao jednu celinu. To može biti kratka reč, deo duže reči, znak interpunkcije ili reč zajedno sa razmakom ispred nje. Prema podacima kompanije OpenAI, 100 tokena odgovara otprilike 75 reči. Prema toj približnoj proceni za engleski jezik, izveštaj od 3.000 reči imao bi oko 4.000 tokena.
Pre nego što model bilo šta pročita, alatka koja se zove tokenizator deli tekst na tokene i svaki od njih pretvara u broj. Model obrađuje te brojeve, generiše odgovor kao niz tokena, a alatka ih zatim ponovo pretvara u tekst.
Broj tokena nije standardizovan. Zavisi od jezika i sadržaja. Tokenizatori se mogu razlikovati od modela do modela, pa isti pasus može da da različit broj tokena u različitim modelima.
Kontekstni prozor i sačuvano sećanje
Kontekstni prozor sadrži ono što model može da iskoristi da bi odgovorio na trenutno pitanje. Na primer, kada AI uređuje izveštaj, sam izveštaj, uputstva za uređivanje i poruke razmenjene tokom rada na njemu zauzimaju prostor u prozoru.
Sačuvano sećanje čuva odabrane detalje između razgovora. U aplikaciji Perplexity aplikacija automatski bira šta će sačuvati: traži preferencije i važne informacije i daje veću težinu detaljima koji se često pojavljuju. Trajno uputstvo poput „Koristi britanski engleski u svim mojim tekstovima“ ilustruje vrstu detalja koju vredi zadržati, dok se „Skrati ovaj pasus“ odnosi na zadatak koji je u toku.
Kada aplikacija unese neki od tih detalja u novi razgovor, on postaje deo konteksta modela i zauzima prostor u prozoru. U aplikaciji Perplexity kontrole memorije nalaze se u odeljku Podešavanja → Memorija. Isključivanje memorije sprečava njenu upotrebu u budućim odgovorima, ali ne briše već sačuvane detalje.
Šta popunjava kontekstni prozor tokom razgovora
Kontekstni prozor sadrži mnogo više od reči koje osoba ukuca. U tipičnom razgovoru prostor dele četiri vrste teksta: uputstva aplikacije, istorija razgovora, materijal preuzet iz datoteka ili sa veba i odgovor modela. Većina toga se nikada ne prikazuje na ekranu.
Uputstva aplikacije
Pre nego što poruka korisnika stigne do modela, aplikacija dodaje sopstvena uputstva (koja se često nazivaju sistemskim promptom). Ona modelu govore kako da se ponaša: kako da formatira odgovore, koji ton da koristi, koje alatke može da upotrebi, kao i detalje poput današnjeg datuma. Deo tog materijala, na primer interna uputstva aplikacije, korisniku se obično ne prikazuje.
Istorija razgovora
To obuhvata ranije odgovore modela, kao i sve poruke korisnika za trenutni odgovor. Odgovori AI-ja često su mnogo duži od pitanja korisnika.
Otpremljene datoteke, veb-stranice i rezultati pretrage
Tekst preuzet iz datoteka zauzima kontekstni prostor zajedno sa razgovorom, ali aplikacija može da prosledi celu datoteku ili da izdvoji relevantne odlomke. Na primer, Perplexity može u celosti da analizira kratke datoteke, a iz dužih datoteka da izdvoji važne delove kako bi odgovorio na upit.
I rezultati pretrage zauzimaju prostor. Na primer, da bi odgovorio na upit, Perplexity može da pretraži veb i da modelu prosledi rezultate da ih pročita.
Odgovor i rezonovanje modela
Odgovor se upisuje u isti prozor, pa aplikacija mora da ostavi prostor za njega. Neki modeli tokom rada na odgovoru generišu i interno rezonovanje, koje osoba možda nikada neće videti. Tekst rezonovanja je postupni rad modela, kao što je razlaganje pitanja na delove ili proveravanje sopstvenih proračuna, zapisan pre konačnog odgovora. Obično se i on uračunava u ograničenje prozora.
Veličine kontekstnog prozora u aktuelnim AI modelima
Veći kontekstni prozor znači da model može da obradi duže dokumente, više izvora i duže razgovore. Vodeći modeli kompanija OpenAI, Anthropic i Google sada nude prozor od oko 1 milion tokena. To je otprilike 1.500 stranica teksta.
Model | Dobavljač | Kontekstni prozor (tokeni) |
GPT-6 Astra | OpenAI | 1,05 miliona |
Claude Opus 5.5 | Anthropic | 1 milion |
Gemini 4 Argon | 1.048.576 |
Specifikacije API-ja dobavljača, provereno 5. novembra 2026. Ograničenja dostupna u aplikaciji mogu se razlikovati.
Veći prozor ne znači da model sve njegove delove koristi podjednako dobro. Istraživanja su pokazala da performanse mogu postati manje pouzdane kako dužina ulaza raste, što je pojava poznata kao degradacija konteksta (engl. context rot).
Ograničenja ulaza i izlaza
Kontekstni prozor je zajednički budžet za sve što model čita i piše. Model može da pročita mnogo više nego što može da napiše u jednom odgovoru.
Pri obradi ulaza model može paralelno da radi na mnogo tokena. Pri generisanju odgovora obično proizvodi tokene redom, koristeći ono što je prethodilo da bi odabrao ono što sledi. Ne može da odabere petu reč rečenice dok ne zna prve četiri, pa mora da proizvodi odgovor token po token.
Zbog toga je proizvodnja dugih odgovora mnogo sporija i skuplja od čitanja dugih ulaza. Zato zahtev da se veoma dug dokument prepiše ili prevede može da se prekine na pola puta i zato bolje funkcioniše kada se rezultat traži u delovima.
Šta se dešava kada razgovor pređe ograničenje
Kada razgovor postane prevelik za kontekstni prozor, aplikacija mora da oslobodi prostor pre nego što model može da odgovori. Aplikacije to rade na nekoliko različitih načina i svaki od njih menja ono što model i dalje može da vidi.
Jedan pristup je da se prvo uklone najstarije poruke. Model nastavlja da radi sa novijim delom razgovora. Rana uputstva korisnika, odluke ili odlomci dokumenata mogu da ispadnu iz prozora. Model ne može da se pozove na tekst koji više nema, ali neće nužno obavestiti korisnika da nešto nedostaje.
Drugi pristup je da se raniji deo razgovora sažme i da se sažetak zadrži umesto celog teksta. To je oblik onoga što se naziva sažimanjem konteksta. Sažetak zauzima mnogo manje prostora, pa razgovor može da traje mnogo duže. Međutim, u njemu mogu da izostanu detalji kao što su tačne brojke, imena ili formulacije.
Kada je model uklonio ili sažeo svoj kontekst, može početi da traži informacije koje bi već trebalo da zna. Može iznenada da prestane da prati uputstva data na početku, kao što su format ili željeni ton. Može da protivreči ranijoj odluci korisnika ili da postane neodređen u vezi sa dokumentacijom podeljenom ranije.
Neke aplikacije umesto toga prekidaju razgovor i traže od osobe da započne novi ili odbijaju poruku ili datoteku koja je preduga da bi stala.
Svakodnevne navike za rad u okviru kontekstnog prozora
- Započnite novu nit za svaki novi zadatak: Na primer, pregledajte izveštaj u zasebnom razgovoru, umesto 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 detalje i odobrene formulacije potrebne za sledeći zadatak.
- Delite samo relevantne informacije: Na primer, za pitanje o tome kako su odabrani učesnici ankete, priložite odeljak o metodologiji i prateće beleške umesto celog izveštaja.
- Pronađite relevantan odeljak pre nego što podelite dug dokument: Ako izveštaj ili priručnik ima sadržaj, prvo podelite njega. Pitajte model koji će odeljci verovatno odgovoriti na pitanje, a zatim kopirajte te odeljke u razgovor.
- Pregledajte duge dokumente u delovima: Podelite priručnik ili izveštaj po pravilima, poglavljima ili temama. Koristite zasebne niti za nezavisne preglede, sa istim uputstvima za svaki.
- Tražite duge rezultate u fazama: Za obimno prepisivanje ili prevod tražite jedan po jedan odeljak u istoj niti. Navedite odeljak ili raspon stranica i proverite rezultat pre nego što zatražite od modela da nastavi.
- Odredite korisnu dužinu odgovora: Zatražite pet nalaza, kratko objašnjenje ili tabelu sa određenim kolonama. Izbegavajte da tražite detaljnu analizu kada bi bio dovoljan kratak odgovor.
- Tražite ciljane izmene: Da biste promenili jedan pasus u nacrtu, zatražite od modela da prepiše samo taj pasus. Navedite šta treba promeniti umesto da tražite da reprodukuje ceo nacrt.
Kako Perplexity upravlja kontekstom
Kontekst koji Perplexity koristi obuhvata više od samog razgovora. Može da se oslanja i na informacije pronađene pretragom u realnom vremenu, sačuvane preferencije i datoteke priložene za zadatak.
Kod istraživačkih pitanja, pretraga u realnom vremenu pruža izvorni materijal koji model može da iskoristi za sastavljanje odgovora, uz citate koji pokazuju odakle informacije potiču. Na primer, pitanje o novom propisu može da unese relevantne informacije sa veba u zadatak, bez prethodnog prikupljanja članaka i njihovog lepljenja u razgovor.
Sačuvano sećanje pruža drugačiju vrstu konteksta: relevantne detalje iz ranijih razgovora, kao što su preferencije u pisanju ili pozadinske informacije o projektu koji je u toku. Perplexity preuzima te detalje pri odgovaranju, a sećanje funkcioniše na svim modelima koje nudi. Zato sačuvana preferencija može ostati dostupna i kada promenite model u okviru usluge Perplexity.
Za rad koji obuhvata više razgovora, projekti drže datoteke i uputstva na jednom mestu, a uputstva projekta primenjuju se na svaki upit. Publika, svrha i zahtevi za pisanje izveštaja mogu da ostanu u projektu, dok se istraživanje i pisanje nacrta odvijaju u zasebnim nitima.
Pogledajte vodič Prvi koraci uz Perplexity za savete o postavljanju pitanja, radu sa datotekama i nadovezivanju na odgovore pomoću dodatnih upita.
Česta pitanja
Da li se slike uračunavaju u kontekstni prozor?
Da. Slike se pretvaraju u tokene koji zauzimaju prostor zajedno sa tekstom. Broj tokena zavisi od toga kako ih model obrađuje. Snimak ekrana ili skenirana stranica zauzimaju prostor u kontekstu čak i kada njihov tekst nije kopiran u razgovor.
Da li veći kontekstni prozor košta više?
Ne nužno. Veći prozor opisuje koliko model može da obradi, a ne koliki deo tog kapaciteta zadatak koristi.
Da li postoji način da se vidi koliki je deo kontekstnog prozora razgovor iskoristio?
Ponekad. Neke aplikacije prikazuju merač konteksta koji pokazuje koliko je prozor popunjen. Brojač koji prikazuje „preostale poruke“ znači nešto drugo: koliko još zahteva nalog može da pošalje, a ne koliko još informacija model može da smesti u razgovor. Potražite upravo merač konteksta.
Može li neko da nastavi razgovor koji je podeljen sa njim?
Da. U aplikaciji Perplexity neko može da pročita podeljeni razgovor i postavi dodatno pitanje. To pitanje započinje novi razgovor na njegovom nalogu, a prvobitni razgovor ostaje nepromenjen.