要高效使用 KiMi，首先需要了解它的核心能力。这是一款由月之暗面开发的智能助手，专为处理超长文本和复杂信息设计，支持最多 20 万字的上下文输入。无论你是需要分析长篇报告、整理会议纪要，还是撰写深度文章，它都能直接处理而非分段粘贴。下面我会一步步拆解它的具体操作方法。
访问 KiMi 官网后，点击右上角的“登录/注册”按钮。目前支持手机号验证码登录，以及微信扫码绑定。完成登录后，你会在主界面看到底部的输入框。直接打字或粘贴文本即可开始对话。它默认会识别中文、英文、日文等多国语言，你无需手动切换语言模式。比如输入“帮我总结这篇论文的核心论点”，它会自动理解指令并执行。
KiMi 最重要的特色是超大上下文。你可以在输入框左侧找到“上传文件”按钮，支持 PDF、Word、Excel、PPT、TXT 以及纯图片（但图片需配合文字描述才能被有效解析）。上传后，它会把整个文档读入当前对话。例如，你上传一本 100 页的产品手册，直接问“第三章提到哪些技术参数”即可。如果你需要同时处理多个文件，可以连续上传，它们会合并到同一个上下文里。
另一种方式是直接粘贴超过 10 万字的文本。比如你从数据库里导出一份 CSV 格式的销售记录，全部粘贴进去，指令为“按地区汇总销售额并列出前三名”。KiMi 能瞬间响应，不会像其他助手那样提示内容超长。需要注意，上传或粘贴后，它会自动将这些内容视为本段对话的“记忆”，你可以随时回顾或追问任意细节。
完成对话后，你可以让 KiMi 把结果整理成特定格式。例如，你要求它“将讨论内容整理成一份 Markdown 格式的会议纪要”，在它输出后，对话窗口右上角会出现“下载”图标。点击即可将完整回答导出为 TXT 或 Markdown 文件。如果你需要的是表格或结构化数据，可以直接指令“把这份分析结果做成表格”，KiMi 会生成带表头的文本表格，你复制到 Excel 即可使用。对于代码片段，它支持高亮显示，并且你点击代码块右上角的“复制”按钮即可直接获取。
KiMi 会记住整个对话历史，直到你主动开始新对话。如果你想重置上下文，点击左侧侧边栏的“+”号新建会话即可。在日常使用中，你可以在旧对话里持续追问。例如先上传一份合同，问“找出所有赔偿条款”，然后接着问“赔偿上限是多少”，它会在同一上下文中给出准确答案。如果中途想换话题但不丢失之前的文件，可以保持当前对话继续输入新指令，它会自动把新内容与之前记忆结合。
需要注意的是，KiMi 的上下文窗口是固定的 20 万字左右。当你上传或粘贴的内容超过此限制时，界面会提示“文本过长，建议分批处理”。此时你可以将内容分割成几段，分别在不同对话中处理。另外，如果你发现某个回答不准确，可以点击回答下方的“重新生成”按钮，它会换一种思路重新输出。
虽然 KiMi 本身不做预设定，但你可以用自然语言指定语言。比如“将下面这段西班牙语翻译成中文”或者“用日语解释什么是量子纠缠”。它会对语种自动识别并输出目标语言。如果你是双语工作者，可以同时上传英文文献和中文笔记，然后要求“对比两份资料中对同一实验结果的描述差异”。它会在同一个上下文里跨语言比对，不需要你手动切换模型。
另外，KiMi 支持语音输入（网页版和 App 端均可），点击输入框右侧的麦克风图标直接说话。除了中文普通话，它对英语、粤语等也有不错的识别率。这在移动场景下非常实用，比如当你通勤时，用语音问“帮我回顾一下昨天那份报告里的数据”，它会调用历史对话内容给出回答。
在输入框上方，你会看到“联网搜索”的开关按钮。默认是关闭的，需要手动开启。当你需要实时信息时（比如“今天的新闻头条”或“最近一周的汇率”）务必打开此开关。不过要注意，联网搜索消耗上下文，每个问题会返回少量搜索结果，且分析结果本身会占用 tokens。建议只在需要实时数据时才开启。
KiMi 目前内置了代码解释器（类同 Jupyter 环境），你可以上传数据文件，然后输入“用 Python 画一张折线图展示这些增长趋势”。它会在后台运行代码并直接输出图片。要使用这个功能，只需在对话中明确要求“运行代码”或“生成图表”，系统会自动调用解释器模块。目前支持常见的 Python 库如 matplotlib、pandas 等。
如果你希望 KiMi 记住你的个人偏好（比如始终用 Markdown 格式回答），可以在首次提问时明确“以后所有回答都以 Markdown 表格形式输出”。它会在这个对话周期内保持习惯。但每次新建对话后，需要重新强调。
当文件内容包含大量扫描件或图片文字时，建议先用 OCR 工具提取文字再上传，因为 KiMi 对图片中的文字识别能力有限。此外，如果发现回答速度变慢，可以检查是否在对话中积累了过多无用信息。此时直接点击“新建对话”清空历史，往往能恢复流畅体验。
最后一点：KiMi 目前免费，但每天有使用次数限制（约 200 次对话）。合理规划每次提问的内容密度——把多个相关子问题合并成一次指令，比如不要分几次问“第三章讲什么”“第四章讲什么”，而是一次说“逐章总结这份文档的核心观点”。这样既能节省次数，又能充分利用它的长上下文优势。
