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 Brain：Stash（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Agent（Claude 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。
