GPT工作流输出质量突然下降？用变量隔离排查账号、上下文和网络摘要：GPT 或 Code 工具突然回答变浅，不一定代表底层模型“降智”。模型选择、长对话上下文、共享账号状态、浏览器扩展和网络异常，都可能制造相似现象。本文给出一套不依赖具体交易渠道的变量隔离流程，帮助开发者判断问题发生在哪一层，并保留可复现证据。先把“质量下降”写成可观察现象“感觉变笨”很难排查。先把它改写为具体症状：输出是否明显缩短，约束是否被遗漏，事实错误是否增加，是否只在长对话出现，还是页面会卡住、断流或无限生成。内容质量和连接状态不是同一层问题。回答完整但推理浅，应先检查模型与上下文；页面无法完整生成，才优先检查网络和客户端环境。固定测试样本，不要同时改多个变量选择一个有已知验收标准的任务，例如读取同一段代码、解释同一个 Bug，或对同一组需求给出实现方案。固定输入材料、输出格式和验收条件。可以使用这样的测试约束：只根据给定材料回答。 先列出三个判断，再给出每个判断的证据与不确定性。 材料没有提供的信息不要补充。如果每次测试都修改提示词，就无法判断变化来自模型、上下文还是输入本身。检查模型与推理层级记录当前模型、推理等级、是否启用自动切换，以及界面是否出现用量或重置提示。账号套餐名称不能代替实际运行状态。对复杂工程任务，快速模式与深度推理模式的输出长度、检查范围和响应时间可能不同。先确认实际选择，再比较质量。用新会话排除上下文污染长对话可能同时包含旧需求、过时文件和互相冲突的约束。把同一测试样本放到全新会话，能快速判断问题是否来自上下文。如果新会话恢复，优先整理项目背景：保留当前目标、关键文件、不可违反的限制和验收方式，删除已经失效的条件。不要把所有历史
