朋友们好呀，这里是「探索AGI」。

昨天去参加了一下复旦大学、特赞、天猫在上海西岸的AI论坛。

核心主题是：AI 时代，重新理解人

还是有蛮多收获，今天给朋友们分享一下一些认知和理解。

围绕三点：

一、从执行层进入判断层

二、对内，对外两种上下文理解

三、现场demo分享

一、从执行层进入判断层

现在的模型越来越聪明，

一个Agent可以24h的运行，修正，验证。

过去的个人提效、企业提效，都建立在一个大前提上：

人是决策者，AI 是执行者；人分配任务，AI 完成任务；AI 做得越好，人就越省力。

但现在这个前提开始失效了。

已经不需要人来分配任务了，人只需要提供判断；

所有可以持续推进的东西都可以交给AI。

那怎么可以让一个AI系统，可以理解企业上下文，理解人，理解客户，理解场景Know-How呢？

特赞的范凌老师，分享了2套上下文机制；

也算是企业的2个世界模型。

二、对内的上下文

每个人，每个企业，每个客户，每套系统。

都积攒了很多的历史数据、规则、流程、权限、历史。

上个月，微软发了一款产品，WorkIQ，就是试图结合起这些企业存量的工单、合同、文档等作出业务决策。

但做好这件事的难点，不仅仅是数据打通。

怎么决策，结果好不好，怎么样积累沉淀迭代才能越做越好。

这些核心的判断，才是让AI理解业务，真正进入业务现场的关键。

二者的临界点是：一个是过去「发生了什么」，一个是当时「为什么这么做」。

当时为什么这么做，这些判断，基本都在人的脑子里。

基于这个问题，

FDE （Forward Deployed Engineer）这个岗位诞生了；

而且就一直都很火热，也很刚需，

职责是，如何把人的经验结合企业内的上下文沉淀成企业系统，变成企业的专有智能。

这其实就是论坛的一大块块核心内容：企业上下文（Context System）

特赞入选了Gartner全球五家企业级智能体能力厂商，也分享了他们搭建的一套底层基于上下文的企业级的智能体系统 GEA （Generative Enterprise Agent)。

三、对外的上下文

前面一点是企业内部的历史知识。

但最终，每一个作出的判断，决策，都会落到人上。

可能是一个外部的客户或者消费者。

但人是很复杂的，人的审美、偏好、品味、专业经验，都没有精准答案。

可能当下脑子里想的，和嘴巴说出来的，都不对。

特赞在介绍Atypica的时候，提到：这种偏差，不是随机噪声，可以测量，那就可以建模。

让AI去分层理解一个人：怎么表达，怎么讲自己的经历，怎么权衡，最后怎么行动。

我理解这种，就属于一种向外的上下文。

不是业务属性，纯粹的人的审美，偏好，动机。

只有对内上下文，相当于不懂客户，只懂流程；

只有对外上下文，相当于只懂消费者，但不了解公司流程。

所以二者结合，就可以驱动一个全新的业务Agent转型。

四、现场案例

我找了一下特赞GEA分享的一个鞋服的案例。

可以更直观的理解这些内容。

第一步、业务层面的上下文构建

每一个商品sku的各种特征组合

第二步、用户层面的上下文构建

模拟目标消费者在不同穿着场景里的心理状态。

第三步、为每个 SKU 生成差异化主图

GEA系统把这一切串起来： Agents+ 上下文 + Skills，推荐出主图方案，生成一系列候选。

由设计师来选定当季整体风格方向，做最终筛选和精修。

结果会沉淀进Context System，后续上新会基于上次有效的视觉逻辑优化。

最终结果就是：3.5 倍效率提升，加班少了60%。

新品直播当天就可以有针对直播优化的视觉素材。

最后总结一下

人分配任务，AI 执行任务。

这种旧的协作模式，把AI锁在一个被动的位置：

人承担所有上下文管理，而没办法积累任何持续性的认知资产。

现阶段来看，更理想的方式，大概率就是更换更高效的协作模式：

人把擅长判断的部分留下来，把可以被持续推进的部分交给 AI 去跑。

而能让AI跑的顺手的，又依赖2套上下文系统：向内的记录与判断，向外的用户理解。

缺一不可！

Agent is the means. Transformation is the product.

以上，既然看到这里了，如果觉得不错，随手点个赞、在看、转发三连吧，如果想第一时间收到推送，也可以给我个星标🌟～

谢谢你看我的文章，我们，下次再见。

不喜欢驱动全新的Agent业务转型。

焚诀：WTCC2026对内、对外2种上下文每一个请照顾好AlEnterHMACantheAlPersonamodelbetrusted?atypica.AlYes-atleast85%fornow!Inastudytitled"GenerativeAgentSimulationsof1,