一句话定义
Context Language Model（上下文语言模型）指的是这样一类语言模型：上下文（context）不再只是被拼进提示词（prompt）的一段文本，而是模型可以建模、可以训练、也可以推理的对象。模型要学的，不只是"下一个词是什么"，还包括"这些材料之间是什么关系、哪条该信、哪条已经过期"。
需要说明：这不是一个有统一定义的成熟术语，更像业界用来描述一类新范式的说法，各家实现差别很大。
打个比方
普通大模型像一位博学但记性有限的顾问，每次见面都要你重讲一遍背景，他当场读一遍再回答。长上下文是把桌子加长，一次能摊开更多资料。RAG（Retrieval-Augmented Generation，AI 词典：检索增强生成">检索增强生成）是给他配了个资料员，提问时先跑去找几页递过去。
上下文语言模型想解决的是更靠前的一步：让这位顾问在阅读过程中自己形成一份"工作笔记"——哪些是任务目标、哪些是硬约束、哪些是已确认的结论、哪些被新信息推翻了——并且这份笔记能力是训练出来的，而不是靠人写提示词硬拼。
和相邻概念的区别
| 维度 | 长上下文 | RAG | 上下文语言模型 |
|---|---|---|---|
| 解决什么 | 一次能装多少字 | 该装哪些字 | 装进来的字怎么被理解和取舍 |
| 上下文地位 | 输入的一部分 | 检索结果，仍拼进提示 | 可训练、可推理的对象 |
| 主要成本 | 注意力与显存开销 | 切分与检索质量 | 数据构造与训练目标设计 |
| 典型失败 | 中间遗忘、噪声干扰 | 检索不到或找错 | 范式尚不成熟，缺公认评测 |
对从业者意味着什么
写提示词的边际价值在下降，设计上下文的价值在上升：把任务目标、约束、历史决策、工具返回值组织成模型能稳定消费的结构，再用评测验证它是否真的用对了这些信息。工程上通常表现为上下文分层（角色、任务状态、证据、记忆）、压缩与刷新策略，甚至把这些策略写进微调或强化学习的目标里。
对普通人的感受则是：助手开始"记得住事"，不需要你反复交代前情。但要留个预期——这是方向而非成熟产品，具体形态各家不同，以官方页面为准。