一个常见机制是：检索或工具返回的内容又杂又多，全都灌进 AI 的上下文窗口（context window，即模型一次能“看到”的信息量），没几轮就撑满了。窗口一满，模型要么开始丢信息，要么在噪音里找信号，表现就像变慢、变糊涂。有材料提到，上一代 MCP 和 CLI 的做法正是把搜索结果直接塞进上下文，而改进方向是先落盘，让 AI 自己选择只读哪个域、不够再读别的，把上下文的控制权交回给 AI⁠1。所以“越用越慢”有时是信息管理问题，不是模型能力问题。

另一种情况是用法本身没有积累。打开对话框、输入、拿答案、关闭，每次对话都是一次性的，AI 永远停在出厂设置⁠2。反过来，把方法论、偏好、项目背景沉淀成 AI 随时可调用的资产，同一个模型做同一件事就会更快更可靠⁠2。有材料把 context 描述成“越用越有用”的东西，前提是它被持续积累，而不是每轮重新想、重新贴⁠3。如果用户感觉越用越慢，值得先分清：是模型变慢了，还是自己每次都在重复喂同样的背景。

还有一种“慢”是任务层面的：本来需要持续判断的问题，被包装成更多分工；本来需要更好答案的问题，被替换成更多答案⁠4。更多 agent、更多分支不等于更多智能，真正该看的是消除了多少不确定性⁠4。当 AI 被要求每一步都等人确认、每段都重写，它就像被举着红旗开道的汽车，跑不起来⁠2。判断“什么时候该让 AI 成倍增加、什么时候该让它闭嘴继续想”，本身就是使用者的核心能力⁠4。