Additional 在 AI 语境中通常指“附加信息”或“补充上下文”（additional context），是提示词工程、检索增强生成（RAG）和多模态模型输入中的常见概念。它本身不是一个具体产品，而是描述模型在核心指令之外接收的补充材料——比如检索到的文档片段、用户历史对话、工具返回结果等。随着模型上下文窗口扩大和智能体工作流普及，additional 内容如何组织、排序与裁剪，正成为影响输出质量的关键变量。
Additional Context 的近期讨论热点
围绕补充信息与模型能力的关系，近期社区和学术界有几类值得关注的声音：
当前焦点与观察点
目前围绕 additional context 的讨论主要集中在三个方向。其一是排序与相关性：在 RAG 场景中，检索回来的补充内容若与问题不匹配，反而会稀释模型注意力，造成“噪声注入”。其二是成本权衡：更长的附加输入意味着更高的 token 消耗和推理延迟，如何在效果与开销之间取舍是工程落地的核心问题。其三是可信度：补充信息本身可能含错误或过时内容，模型是否以及如何对其加权，尚缺乏统一规范。
对普通用户和开发者而言，一个务实的观察角度是：与其堆砌更多附加材料，不如先明确任务所需的最小信息集。从近期的模型评测和论文趋势看，模型对additional内容的使用效率，正在成为与参数规模并列的重要竞争维度，值得持续关注。