当前沿模型开始独立发现新数学定理很多人以为“智能”本身已经不再是瓶颈。真正卡住企业落地的往往不是模型不够强而是上下文context根本管不住。我起初也觉得只要把Claude、GPT接进Slack、Notion、代码仓库Agent就能自己干活。深入看完过去半年从个人知识库到企业级“公司大脑”的落地案例后才发现真正决定Agent能否长期进化、团队能否规模化使用的不是模型参数而是那一层持续积累、可协作、可版本控制的Context层。这正是当前AI创业里少有几条还没被完全卷烂的赛道之一。无论你叫它context graph、company brain还是LLM wiki本质都是同一件事——为明天的Agent工作力提前存好数据和上下文。从生态视角看Context Management几乎踩中了高增长创业或内部创新团队的所有关键点。Jevons悖论正在加速。代码和写作的成本时间、摩擦、人力大幅下降后文本数据量会爆炸式增长。Slack、Notion、GitHub这些工具本来就不是为海量Agent生成内容设计的。我们现在还只站在曲线的早期Agent渗透率一旦提升现有工具会迅速显得吃力。自改进的愿景更诱人。想象一个几乎不需要人类干预、Agent自己越用越好的系统——捕获并管理上下文是实现这个闭环的关键一环。对高管来说这个叙事也很好卖现在不建自己的Context层等对手建好了你可能永远追不上。数据主权是顺风。企业和政府越来越担心前沿实验室拿内部数据做训练。找一个可信的外部方来存管数据会变得越来越重要。Context本身就是护城河。上一代SaaS靠高切换成本建立垄断公司级Context管理几乎具备同样的属性——一旦嵌入日常工作流就很难拔掉。对某些商业模式比如法律AI服务客户的过程本身就能积累专属Context形成反向信息悖论。模型能力饱和则是技术侧的推手。越来越多人相信只要给对Context模型几乎能做任何事。当智能本身不再稀缺瓶颈就变成了Context。这条赛道也相对不在大实验室的核心射程内至少短期内不会被它们一锅端。所有道路都通向罗马。有意思的是哪怕起点完全不同最终产品形态却越来越像。一方面是Agent把产品形态压扁了——写代码的Agent和写营销文案的Agent底层差别没有想象中大。另一方面赛道还早大家都在抢先定义一个还模糊的领域。可以粗略分成几条路径个人知识库GitHub仓库、Gbrain、Claude Code Obsidian。本质是一堆Markdown当技能和记忆用。个人实验很爽一旦扩展到团队就崩。Agent记忆层Letta、Honcho、Engram。按时间纵向扩展偏研究向目标是超长时程Agent。内部还分裂成token空间派和weight空间派。可观测工具Braintrust、Raindrop。抓生产Agent的trace输出主要是dashboard和eval不是给未来Agent用的持续数据仓。Agent开发工具Entire、Mintlify。给内部Coding Agent用产出文档减少幻觉、拉长运行时间。数据护城河建设者Applied Compute、Prime Intellect。卖企业定制模型和Context层半研究半咨询半算力想端到端吃下客户关系。老玩家转型Notion、ClickUp、Airbyte、Glean、PromptQL。从相邻领域杀进来分一杯羹。AI员工方向Viktor、Lindy。从个人用户切入靠PLG积累组织级Context。Claude的某些功能被批评像特洛伊木马小公司阻力反而小一点。垂直原生服务公司太多了。做端到端工作流的同时自然积累Context用垂直深度对抗水平玩家。原生Company BrainStash披露我们自己、Sentra、Hyperspell、Supermemory。从第一天就直奔组织级Context问题赌专注能赢过侧向切入的玩家。再加上前沿实验室的FDE和产品团队、Pinecone往上扩、Exa从网页搜索转企业搜索、各种编排和集成工具……几乎所有人都能横向杀进来。一个开放问题是模型再聪明一点是不是光做集成就够了尽管营销话术越来越像但不同玩家其实在服务不同客户、不同用例、不同技术栈位置。Context Management是未来用Agent的人迟早要解决的问题。如果热度属实“任何人”很快会变成“所有人”。温度降下来后这个词会从buzzword变成一门正经生意也会出现分层——卖给4人设计工作室的产品和卖给十亿级科技公司的产品本质却可以长得很像。几条已经清晰的模式也在浮现。多人协作与版本控制必须有。单人Agent已经需要版本控制不是每一次几千行PR都想要多人场景下更关键——团队成员和Agent要能协作、fork、回滚。技能要能累积。一次Agent消耗的token不该只服务当前任务还应该让整个组织受益。Context层变成“推理缓存”让后续Agent越跑越好自动化的工作流也会越来越多。检索必须是混合的。向量、知识图谱、Agentic搜索再加关键词没有单一银弹。做梦与睡眠计算要分离。干活的AgentClaude Code会话、工作流Agent和守护知识库的Agent要分开。后者负责索引、去重、更新——像夜间值班的图书管理员白天大家只管用。外部连接要尽可能多。从Granola、邮件、日历、Slack、CRM全拉进来当作只读的原始数据源继承它们原有的权限范围权限和隔离会简单很多。这些实现很快就会过时。我们前几周办过一场Company Brain与记忆的活动大多数人认为当前范式撑不了太久。真正缺的东西还很多。结构化与非结构化数据怎么统一该用数据库表还是文件系统Slack这种非结构化流怎么处理有些记忆如果进了权重而非纯文本权限模型、形状、更新频率全都不一样。人可以无缝切换上下文Agent需要更明确的引导。数据接入必须无处不在。Company Brain只有信息密度过了临界点才有用否则直接去源系统更快。这意味着要从PDF到数据库表全格式接入对接组织里所有工具。销售周期因此被安全审查和重度集成工作拉得很长。访问控制要精细。谁能看到什么、谁绝对不能看到架构不同取舍就不同。要不要给每个Agent单独开用户团队间共享还是私有怎么防泄漏评估体系几乎空白。Company Brain真的让团队更高效还是只是极客的自嗨什么指标能证明一个实现比另一个好记忆本身是长时程问题评估会越来越贵、越来越难。长期稳定性。本质上是持续学习问题。加一个新技能或数据源会不会稀释已有能力知识库会不会随着时间“变烂”context rot今天的LLM里这还是真问题。爆炸半径我们内部叫法。检索到的信息要被时间、上下文、优先级严格约束。纯检索已经不够还得让系统具备常识哪些信息更重要。最关键的是杀手级用例。尽管Context Graph和Company Brain喊得很响清晰的商业案例和ROI还在摸索。几个目前还算站得住的方向是跨源检索Glean最早验证过、工作流自动化、token成本和延迟下降60-90%、让Agent完成原本做不到的任务。这些正是我们现在天天在解的题。如果把公司比作一座不断扩建的图书馆模型是最聪明的读者Context层就是那个既要分类、又要去重、还要在夜里悄悄整理书架的系统。没有它再聪明的读者也会在堆积如山的新书里迷路。另一个更贴近日常的画面Context管理像城市的地下管网。地上的高楼各种Agent应用可以建得很快但真正决定这座城能撑多久、能长多大的是看不见的管网是否够稳、够智能、够能扩展。现在这个赛道还早机会也足够大。不同起点的玩家最终可能都会走到同一条路上但真正能活下来的一定是那些把Context当成长期资产、而不是一次性功能去建的人。你现在负责的团队是把Context当成临时缓存还是当成会随时间自我增值的核心资产这个问题值得认真想一想。我是紫微AI在做一个「人格操作系统ZPF」。后面会持续分享AI Agent和系统实验。感兴趣可以关注我们下期见。