หน้าต่างบริบท: คืออะไรและส่งผลต่อการใช้ AI ในชีวิตประจำวันอย่างไร

คู่มือเกี่ยวกับหน้าต่างบริบทในโมเดล AI ครอบคลุมวิธีวัดเป็นโทเค็น สิ่งที่อยู่ในหน้าต่างระหว่างบทสนทนา ขนาดของหน้าต่างในโมเดลปัจจุบัน สิ่งที่เกิดขึ้นเมื่อบทสนทนาเกินขีดจำกัด และนิสัยประจำวันสำหรับการทำงานภายในขีดจำกัดนี้

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.

หน้าต่างบริบท (context window) คือปริมาณข้อความที่โมเดล AI ทำงานด้วยได้ในคราวเดียว คู่มือนี้จะอธิบายว่าอะไรบ้างที่ใช้พื้นที่ในหน้าต่างบริบท หน้าต่างบริบทของโมเดลในปัจจุบันมีขนาดใหญ่เพียงใด และวิธีทำงานภายในข้อจำกัดนี้ในชีวิตประจำวัน

หน้าต่างบริบทคืออะไร

หน้าต่างบริบทคือขีดจำกัดของปริมาณข้อความที่โมเดล AI จัดการได้ในคราวเดียว ขีดจำกัดนี้ครอบคลุมทั้งข้อความที่ป้อนเข้าไป เช่น คำถามและเอกสารที่แนบมา และคำตอบที่ได้ออกมา หากสิ่งใดไม่พอดีกับหน้าต่าง โมเดลจะมองไม่เห็นและไม่สามารถนำไปใช้ในการตอบได้

หน้าต่างบริบทแยกจากสิ่งที่โมเดลได้เรียนรู้ระหว่างการฝึก การฝึกเกิดขึ้นก่อนที่โมเดลจะเปิดตัว โดยใช้ข้อความจำนวนมหาศาล ซึ่งทำให้โมเดลมีความรู้ทั่วไปและทักษะด้านภาษา ส่วนหน้าต่างบริบทจะเก็บเฉพาะเนื้อหาสำหรับงานที่อยู่ตรงหน้าเท่านั้น

ตัวโมเดล AI เองไม่ได้จดจำข้อความก่อนหน้า แอปที่โมเดลทำงานอยู่ เช่น Perplexity หรือ ChatGPT เป็นผู้บันทึกบทสนทนาไว้ ทุกครั้งที่มีข้อความใหม่ แอปจะส่งบทสนทนาทั้งหมดจนถึงตอนนั้นให้โมเดล ไม่ใช่แค่ข้อความล่าสุด โมเดลจะอ่านทั้งหมดอีกครั้งก่อนตอบ และคำตอบนั้นจะกลายเป็นส่วนหนึ่งของสิ่งที่ถูกส่งไปในครั้งถัดไป พื้นที่ที่บทสนทนาใช้ในหน้าต่างจึงเพิ่มขึ้นทุกครั้งที่มีการโต้ตอบ ดังนั้นแชทยาวๆ ที่ประกอบด้วยข้อความสั้นๆ ก็ยังใช้พื้นที่ได้มาก

วิธีวัดขนาดหน้าต่างบริบท

ทุกข้อความ เอกสาร และคำตอบในบทสนทนาล้วนใช้พื้นที่ในหน้าต่าง ปริมาณพื้นที่ที่มีให้ใช้วัดเป็นโทเค็น ไม่ใช่จำนวนคำหรือจำนวนหน้าที่ตายตัว

โทเค็นคือชิ้นส่วนของข้อความที่โมเดลจัดการเป็นหนึ่งหน่วย อาจเป็นคำสั้นๆ ส่วนหนึ่งของคำที่ยาวกว่า เครื่องหมายวรรคตอน หรือคำที่มีช่องว่างอยู่ข้างหน้า OpenAI ระบุว่า 100 โทเค็นเท่ากับประมาณ 75 คำ หากใช้ค่าประมาณสำหรับภาษาอังกฤษนี้ รายงานความยาว 3,000 คำจะมีประมาณ 4,000 โทเค็น

ก่อนที่โมเดลจะอ่านสิ่งใด เครื่องมือที่เรียกว่าตัวตัดโทเค็น (tokenizer) จะแบ่งข้อความออกเป็นโทเค็นและแปลงแต่ละโทเค็นเป็นตัวเลข โมเดลจะประมวลผลตัวเลขเหล่านั้นและสร้างคำตอบเป็นลำดับของโทเค็น จากนั้นเครื่องมือนี้จะแปลงโทเค็นกลับเป็นข้อความ

จำนวนโทเค็นไม่มีมาตรฐานตายตัว จำนวนจะขึ้นอยู่กับภาษาและเนื้อหา ตัวตัดโทเค็นอาจแตกต่างกันไปในแต่ละโมเดล ดังนั้นย่อหน้าเดียวกันจึงอาจได้จำนวนโทเค็นต่างกันในโมเดลต่างๆ

หน้าต่างบริบทกับความทรงจำที่บันทึกไว้

หน้าต่างบริบทเก็บสิ่งที่โมเดลใช้ตอบคำถามปัจจุบันได้ ตัวอย่างเช่น เมื่อ AI แก้ไขรายงาน ตัวรายงาน คำสั่งในการแก้ไข และข้อความที่โต้ตอบกันระหว่างทำงานล้วนใช้พื้นที่ในหน้าต่าง

ความทรงจำที่บันทึกไว้จะเก็บรายละเอียดที่เลือกไว้ข้ามบทสนทนา ใน Perplexity แอปจะเลือกสิ่งที่จะบันทึกโดยอัตโนมัติ โดยมองหาความชอบและข้อมูลสำคัญ และให้น้ำหนักกับรายละเอียดที่ปรากฏบ่อย คำสั่งที่ใช้ระยะยาว เช่น “ใช้ภาษาอังกฤษแบบบริติชในงานเขียนทั้งหมดของฉัน” เป็นตัวอย่างของรายละเอียดที่ควรเก็บไว้ ในขณะที่ “ทำให้ย่อหน้านี้สั้นลง” ใช้กับงานที่ทำอยู่เท่านั้น

เมื่อแอปนำรายละเอียดเหล่านั้นเข้ามาในบทสนทนาใหม่ รายละเอียดนั้นจะกลายเป็นส่วนหนึ่งของบริบทของโมเดลและใช้พื้นที่ในหน้าต่าง ใน Perplexity การควบคุมความทรงจำอยู่ที่ การตั้งค่า → ความทรงจำ การปิดความทรงจำจะหยุดการใช้ความทรงจำในคำตอบต่อๆ ไป แต่จะไม่ลบรายละเอียดที่บันทึกไว้แล้ว

สิ่งที่อยู่ในหน้าต่างบริบทระหว่างบทสนทนา

หน้าต่างบริบทเก็บข้อมูลมากกว่าแค่คำที่ผู้ใช้พิมพ์อยู่มาก ในบทสนทนาทั่วไป ข้อความสี่ประเภทจะใช้พื้นที่ร่วมกัน ได้แก่ คำสั่งจากแอป ประวัติบทสนทนา เนื้อหาที่นำเข้ามาจากไฟล์หรือเว็บ และคำตอบของโมเดล ซึ่งส่วนใหญ่ไม่เคยปรากฏบนหน้าจอ

คำสั่งจากแอป

ก่อนที่ข้อความของผู้ใช้จะไปถึงโมเดล แอปจะเพิ่มคำสั่งของตัวเองเข้าไป (มักเรียกว่าพรอมต์ระบบหรือ system prompt) คำสั่งเหล่านี้บอกโมเดลว่าควรทำงานอย่างไร เช่น จัดรูปแบบคำตอบอย่างไร ใช้น้ำเสียงแบบไหน ใช้เครื่องมือใดได้บ้าง รวมถึงรายละเอียดอย่างวันที่ของวันนี้ เนื้อหาบางส่วนเหล่านี้ เช่น คำสั่งภายในของแอป ตามปกติจะไม่แสดงให้ผู้ใช้เห็น

ประวัติบทสนทนา

ส่วนนี้รวมถึงคำตอบก่อนหน้าของโมเดล รวมทั้งข้อความทั้งหมดของผู้ใช้สำหรับคำตอบปัจจุบัน บ่อยครั้งที่คำตอบของ AI ยาวกว่าคำถามของผู้ใช้มาก

ไฟล์ที่อัปโหลด หน้าเว็บ และผลการค้นหา

ข้อความที่นำเข้ามาจากไฟล์จะใช้พื้นที่บริบทควบคู่ไปกับบทสนทนา แต่แอปอาจส่งไฟล์ทั้งไฟล์หรือเลือกเฉพาะข้อความส่วนที่เกี่ยวข้อง ตัวอย่างเช่น Perplexity สามารถวิเคราะห์ไฟล์สั้นได้ทั้งไฟล์ และดึงส่วนสำคัญจากไฟล์ที่ยาวกว่าเพื่อตอบคำถาม

ผลการค้นหาก็ใช้พื้นที่เช่นกัน ตัวอย่างเช่น ในการตอบคำถาม Perplexity อาจค้นหาบนเว็บแล้วส่งผลลัพธ์ให้โมเดลอ่าน

คำตอบและการให้เหตุผลของโมเดล

คำตอบจะถูกเขียนลงในหน้าต่างเดียวกัน แอปจึงต้องเว้นพื้นที่ไว้สำหรับคำตอบ บางโมเดลยังสร้างการให้เหตุผลภายในระหว่างหาคำตอบ ซึ่งผู้ใช้อาจไม่เคยเห็น ข้อความการให้เหตุผลคือขั้นตอนการคิดทีละขั้นของโมเดล เช่น การแบ่งคำถามออกเป็นส่วนๆ หรือการตรวจสอบตัวเลขของตัวเอง ซึ่งเขียนออกมาก่อนคำตอบสุดท้าย โดยปกติแล้วข้อความนี้ก็นับรวมในขีดจำกัดของหน้าต่างด้วย

ขนาดหน้าต่างบริบทในโมเดล AI ปัจจุบัน

หน้าต่างบริบทที่ใหญ่ขึ้นหมายความว่าโมเดลสามารถจัดการเอกสารที่ยาวขึ้น แหล่งข้อมูลที่มากขึ้น และบทสนทนาที่ยาวขึ้นได้ ปัจจุบันโมเดลชั้นนำจาก OpenAI, Anthropic และ Google ต่างมีหน้าต่างประมาณ 1 ล้านโทเค็น ซึ่งเท่ากับข้อความราว 1,500 หน้า

โมเดล

ผู้ให้บริการ

หน้าต่างบริบท (โทเค็น)

GPT-6 Astra

OpenAI

1.05 ล้าน

Claude Opus 5.5

Anthropic

1 ล้าน

Gemini 4 Argon

Google

1,048,576

ข้อมูลจำเพาะ API ของผู้ให้บริการ ตรวจสอบเมื่อวันที่ 5 พฤศจิกายน 2026 ขีดจำกัดที่ใช้ได้ภายในแอปอาจแตกต่างออกไป

หน้าต่างที่ใหญ่ขึ้นไม่ได้หมายความว่าโมเดลจะใช้ทุกส่วนได้ดีเท่ากัน งานวิจัยพบว่าประสิทธิภาพอาจน่าเชื่อถือน้อยลงเมื่ออินพุตยาวขึ้น ซึ่งเป็นรูปแบบที่เรียกว่า context rot (บริบทเสื่อม)

ขีดจำกัดอินพุตและขีดจำกัดเอาต์พุต

หน้าต่างบริบทเป็นงบประมาณร่วมสำหรับทุกสิ่งที่โมเดลอ่านและเขียน โมเดลอ่านได้มากกว่าที่เขียนได้ในคำตอบเดียวอยู่มาก

เมื่อประมวลผลอินพุต โมเดลสามารถทำงานกับโทเค็นจำนวนมากแบบขนานกันได้ แต่เมื่อสร้างคำตอบ โดยปกติโมเดลจะสร้างโทเค็นตามลำดับ โดยใช้สิ่งที่มาก่อนหน้าเพื่อเลือกสิ่งที่จะตามมา โมเดลไม่สามารถเลือกคำที่ห้าของประโยคได้จนกว่าจะรู้สี่คำแรก จึงต้องสร้างคำตอบทีละโทเค็น

ด้วยเหตุนี้ การสร้างคำตอบยาวๆ จึงช้ากว่าและมีค่าใช้จ่ายสูงกว่าการอ่านอินพุตยาวๆ มาก นี่คือเหตุผลที่คำขอให้เขียนใหม่หรือแปลเอกสารที่ยาวมากอาจหยุดกลางคัน และเหตุผลที่การขอผลลัพธ์เป็นส่วนๆ จึงได้ผลดีกว่า

จะเกิดอะไรขึ้นเมื่อบทสนทนาเกินขีดจำกัด

เมื่อบทสนทนาใหญ่เกินกว่าที่หน้าต่างบริบทจะรองรับได้ แอปต้องเคลียร์พื้นที่ก่อนที่โมเดลจะตอบได้ แอปต่างๆ ทำเช่นนี้ได้หลายวิธี และแต่ละวิธีจะเปลี่ยนสิ่งที่โมเดลยังมองเห็นได้

วิธีหนึ่งคือตัดข้อความที่เก่าที่สุดออกก่อน โมเดลจะยังคงทำงานกับส่วนล่าสุดของบทสนทนา คำสั่งช่วงแรกของผู้ใช้ การตัดสินใจ หรือข้อความบางส่วนจากเอกสารอาจหลุดออกจากหน้าต่าง โมเดลไม่สามารถอ้างอิงข้อความที่ไม่มีอยู่แล้วได้ แต่ก็อาจไม่ได้บอกผู้ใช้ว่ามีบางอย่างขาดหายไป

อีกวิธีหนึ่งคือสรุปส่วนก่อนหน้าของบทสนทนา แล้วเก็บบทสรุปไว้แทนข้อความฉบับเต็ม นี่เป็นรูปแบบหนึ่งของสิ่งที่เรียกว่า context compaction (การบีบอัดบริบท) บทสรุปใช้พื้นที่น้อยกว่ามาก บทสนทนาจึงดำเนินต่อไปได้นานขึ้นมาก อย่างไรก็ตาม บทสรุปอาจตกหล่นรายละเอียด เช่น ตัวเลขที่แน่นอน ชื่อ หรือถ้อยคำ

เมื่อโมเดลตัดหรือบีบอัดบริบทของตนไปแล้ว โมเดลอาจเริ่มถามหาข้อมูลที่ควรรู้อยู่แล้ว อาจหยุดทำตามคำสั่งที่ให้ไว้ตั้งแต่ต้นอย่างกะทันหัน เช่น รูปแบบหรือน้ำเสียงที่ต้องการ อาจขัดแย้งกับการตัดสินใจก่อนหน้าของผู้ใช้ หรือพูดถึงเอกสารที่แชร์ไว้ก่อนหน้าอย่างคลุมเครือ

บางแอปจะหยุดบทสนทนาแทนและขอให้ผู้ใช้เริ่มบทสนทนาใหม่ หรือปฏิเสธข้อความหรือไฟล์ที่ยาวเกินกว่าจะใส่ลงในหน้าต่างได้

นิสัยประจำวันสำหรับการทำงานภายในหน้าต่างบริบท

  • เริ่มเธรดใหม่สำหรับทุกงานใหม่: ตัวอย่างเช่น ตรวจทานรายงานในบทสนทนาแยกต่างหาก แทนที่จะเพิ่มเข้าไปในเธรดเดิมที่ใช้วางแผนจัดงานอีเวนต์
  • นำต่อเฉพาะสิ่งที่จำเป็น: เมื่องานต่อยอดจากงานก่อนหน้า ให้ขอให้โมเดลดึงรายละเอียดที่ยืนยันแล้วและถ้อยคำที่ได้รับอนุมัติซึ่งจำเป็นสำหรับงานถัดไปออกมา
  • แชร์เฉพาะข้อมูลที่เกี่ยวข้อง: ตัวอย่างเช่น สำหรับคำถามเกี่ยวกับวิธีคัดเลือกผู้เข้าร่วมแบบสำรวจ ให้ส่งส่วนระเบียบวิธีวิจัยและบันทึกประกอบ แทนที่จะส่งรายงานทั้งฉบับ
  • หาส่วนที่เกี่ยวข้องก่อนแชร์เอกสารยาว: หากรายงานหรือคู่มือมีสารบัญ ให้แชร์สารบัญก่อน ถามโมเดลว่าส่วนใดน่าจะตอบคำถามได้ จากนั้นคัดลอกส่วนเหล่านั้นลงในบทสนทนา
  • ตรวจทานเอกสารยาวเป็นส่วนๆ: แบ่งคู่มือหรือรายงานตามนโยบาย บท หรือหัวข้อ ใช้เธรดแยกกันสำหรับการตรวจทานแต่ละส่วนที่เป็นอิสระต่อกัน โดยใช้คำสั่งเดียวกันในแต่ละเธรด
  • ขอเอาต์พุตยาวเป็นขั้นๆ: สำหรับการเขียนใหม่หรือการแปลที่มีความยาวมาก ให้ขอทีละส่วนในเธรดเดียวกัน ระบุชื่อส่วนหรือช่วงหน้า และตรวจสอบผลลัพธ์ก่อนขอให้โมเดลทำต่อ
  • กำหนดความยาวคำตอบให้เหมาะสม: ขอผลการค้นพบห้าข้อ คำอธิบายสั้นๆ หรือตารางที่มีคอลัมน์ที่ระบุไว้ หลีกเลี่ยงการขอการวิเคราะห์โดยละเอียดเมื่อคำตอบสั้นๆ ก็เพียงพอ
  • ขอให้แก้ไขเฉพาะจุด: หากต้องการเปลี่ยนย่อหน้าเดียวในฉบับร่าง ให้ขอให้โมเดลเขียนใหม่เฉพาะย่อหน้านั้น ระบุสิ่งที่ต้องเปลี่ยนแทนที่จะขอให้โมเดลเขียนฉบับร่างทั้งหมดซ้ำอีกครั้ง

วิธีที่ Perplexity จัดการบริบท

บริบทของ Perplexity ครอบคลุมมากกว่าบทสนทนา โดยยังสามารถดึงข้อมูลที่พบผ่านการค้นหาแบบเรียลไทม์ ความชอบที่บันทึกไว้ และไฟล์ที่ให้มาสำหรับงานนั้นๆ ได้ด้วย

สำหรับคำถามเชิงวิจัย การค้นหาแบบเรียลไทม์จะให้เนื้อหาต้นทางที่โมเดลใช้สร้างคำตอบได้ พร้อมการอ้างอิงที่แสดงว่าข้อมูลมาจากที่ใด ตัวอย่างเช่น การถามเกี่ยวกับกฎระเบียบใหม่สามารถนำข้อมูลที่เกี่ยวข้องจากเว็บเข้ามาในงานได้ โดยไม่ต้องรวบรวมบทความแล้ววางลงในแชทก่อน

ความทรงจำที่บันทึกไว้ให้บริบทอีกประเภทหนึ่ง นั่นคือรายละเอียดที่เกี่ยวข้องจากบทสนทนาก่อนหน้า เช่น ความชอบด้านการเขียนหรือข้อมูลเบื้องหลังเกี่ยวกับโปรเจกต์ที่กำลังดำเนินอยู่ Perplexity จะดึงรายละเอียดเหล่านั้นมาใช้เมื่อตอบ และความทรงจำทำงานได้กับทุกโมเดลที่ Perplexity มีให้ใช้ ดังนั้นความชอบที่บันทึกไว้จึงยังคงใช้งานได้เมื่อสลับโมเดลภายใน Perplexity

สำหรับงานที่ครอบคลุมหลายบทสนทนา โปรเจกต์จะเก็บไฟล์และคำสั่งไว้ด้วยกัน และคำสั่งของโปรเจกต์จะใช้กับทุกคำถาม กลุ่มเป้าหมาย วัตถุประสงค์ และข้อกำหนดด้านการเขียนของรายงานสามารถเก็บไว้กับโปรเจกต์ได้ ในขณะที่การค้นคว้าและการร่างเนื้อหาเกิดขึ้นในเธรดแยกกัน

ดู เริ่มต้นใช้งาน Perplexity เพื่อดูคำแนะนำเกี่ยวกับการถามคำถาม การทำงานกับไฟล์ และการต่อยอดคำตอบด้วยคำถามติดตามผล

คำถามที่พบบ่อย

รูปภาพนับรวมในหน้าต่างบริบทหรือไม่

นับรวม รูปภาพจะถูกแปลงเป็นโทเค็นที่ใช้พื้นที่ร่วมกับข้อความ จำนวนโทเค็นขึ้นอยู่กับวิธีที่โมเดลประมวลผลรูปภาพ ภาพหน้าจอหรือหน้าเอกสารที่สแกนจะใช้พื้นที่บริบท แม้จะยังไม่ได้คัดลอกข้อความในภาพลงในแชทก็ตาม

หน้าต่างบริบทที่ใหญ่ขึ้นมีค่าใช้จ่ายสูงขึ้นหรือไม่

ไม่เสมอไป ขนาดหน้าต่างที่ใหญ่ขึ้นบอกว่าโมเดลจัดการได้มากแค่ไหน ไม่ได้บอกว่างานหนึ่งๆ ใช้ความจุนั้นไปมากเท่าใด

มีวิธีดูไหมว่าบทสนทนาใช้หน้าต่างบริบทไปมากเท่าใดแล้ว

ดูได้ในบางกรณี บางแอปจะแสดงมาตรวัดบริบทที่บอกว่าหน้าต่างเต็มแค่ไหน ส่วนตัวนับที่แสดง “ข้อความที่เหลืออยู่” มีความหมายต่างออกไป คือจำนวนคำขอที่บัญชียังส่งได้อีก ไม่ใช่ปริมาณข้อมูลที่โมเดลยังรับเพิ่มในบทสนทนาได้ ให้มองหามาตรวัดบริบทโดยเฉพาะ

ผู้อื่นสามารถดำเนินบทสนทนาที่มีคนแชร์ให้ต่อได้หรือไม่

ได้ ใน Perplexity ผู้อื่นสามารถอ่านบทสนทนาที่แชร์และถามคำถามติดตามผลได้ คำถามนั้นจะเริ่มบทสนทนาใหม่ในบัญชีของผู้นั้น โดยบทสนทนาต้นฉบับจะไม่เปลี่ยนแปลง