Gemini 2.5 Pro模型在AI编程实践中，能够直接读取整个项目，带来全新的体验。长上下文能革新产品交互并开启全新应用场景。谷歌DeepMind的Nikolay Savinov指出，当前百万级token上下文质量尚未完美，盲目追求更大规模意义不大；随着成本下降，千万级token上下文将成为标准配置，尤其对编码等场景有革命性突破。

上下文窗口是输入到模型中的信息，包括提示、用户交互内容或上传文件。模型有两种知识来源：权重内记忆（预训练知识）和上下文内记忆（显式提供）。上下文内记忆更易更新，适用于个性化和罕见事实。目前，若信息在互联网上仅出现一次，模型可能编造答案，因此需要显式提供。

RAG（检索增强生成）是一种工程技术，在信息送入LLM前进行预处理，通过向量比较找到相关内容。对于企业知识库等海量信息，RAG仍是必需。长上下文与RAG协同工作，提升召回率。实际应用中，延迟要求是限制因素，长上下文适合非实时场景。

长上下文对推理和Agent重要，能提升预测准确性并处理复杂任务。Agent既是长上下文使用者，也能作为提供者，自动获取上下文。开发者应多用上下文缓存，避免无关内容，结合RAG提高效果。评估长上下文质量时，需关注强干扰和多关键信息检索。

千万级上下文瓶颈在于成本，未来随着成本下降，将成标准配置，尤其对编码场景有重大影响。目前百万级上下文质量仍需提升，达到完美后将解锁更多应用场景。硬件和算法创新共同推动发展，但算法优化更为关键。