为什么上下文胜过提示：人工智能堆栈中缺失的一层

无状态聊天在实践中会花费多少成本

在向人工智能提出有用的问题之前，请考虑一下您实际在做什么。您扫描收件箱以记住客户参与的当前状态。您重读会议记录以回忆所决定的内容。您挖掘上个月的规范文档，将相关段落复制到提示中。这种重建不是人工智能的工作——而是你在做人工智能在没有记忆的情况下无法完成的整合工作。

对于管理五个或十个关系的操作员来说，这种开销每天都会增加。智能就在模型中等待着。障碍在于，如果没有您作为手动上下文管道，它就无法看到完整的图片。

当你希望人工智能采取行动而不仅仅是提供建议时，问题会更加复杂。无法看到您的承诺的模型无法知道哪些任务已过期。无法读取电子邮件线程的模型无法起草具有正确历史记录的回复。没有上下文的建议是通用的。没有背景的行动是危险的。

提示围绕结构性差距进行优化

提示工程有其一席之地，但大多数“改进提示”建议都是针对缺失上下文层的解决方法。思想链、角色分配和少量示例等框架使模型能够更好地推理其所拥有的上下文。他们没有为模型提供推理您的具体工作所需的上下文。

这是一个比“我如何更有效地促进这一点？”更好的问题。是：“如果我每次都没有解释的话，模型需要知道什么才能回答这个问题？”答案几乎总是：您的真实工作数据，结构化且丰富，可按需提供。

对于那些希望人工智能随着时间的推移而增值而不是每天重置的人来说，上下文工程——构建和维护模型从中读取的持久层——是快速工程之后的下一步。

真正的人工智能上下文层是什么样的

上下文层有四件事。它从您实际工作的地方持续摄取：电子邮件、日历、文件、Slack 或 Teams 消息。它将原始数据丰富为结构化知识——从电子邮件线程中提取操作项，并将它们链接到它们所来源的确切引用，跟踪数周对话中每个联系人的情绪，根据谁抄送的人以及他们讨论的内容绘制组织结构图。

它以模型可以有选择地查询的方式存储这些知识——不是每封电子邮件的转储，而是一个排名的、可过滤的操作图表。它通过模型可以在推理时调用的协议公开这些知识，因此人工智能可以获得手头问题的正确上下文，而不是粘贴到提示中的静态斑点。

该协议就是 MCP（模型上下文协议），我们将在下一篇文章中深入介绍它。简短版本：MCP 让模型准确提取所需的上下文，并在完成推理后写回操作。

上下文复合；提示不

这是复合论证。你通过人工智能采取的每一个行动都会添加到上下文层：关闭的任务、发送的回复、捕获的承诺。下次模型推理该客户或项目时，它会收到更多信号。几周后，上下文层就会成为您业务的精确运营图——关系、历史、模式、风险。

提示不复合。每个会话都会丢弃上次发生的事情。上下文层则相反：使用时间越长，它就越有用。

这就是为什么您使用的模型没有您想象的那么重要。当您从一种前沿模型切换到另一种前沿模型时，智能会提高，但您构建的上下文层仍然是您的。大脑是可以互换的。记忆就是护城河。

为什么模型不可知论比模型质量更重要

人工智能实验室之间的竞争意味着今天最好的模型将在六个月内成为第二好的模型。如果你的人工智能堆栈是围绕一种模型的内存或一家公司的生态系统构建的，那么当你切换时你必须重建。如果你的上下文层与模型无关——任何模型都可以通过标准协议读取——你可以交换大脑并保留其他一切。

Lodestar 是在这个前提下进行模型优先设计的。今天将其连接到 Claude，明天连接到 ChatGPT，或者在发布时连接到下一个前沿模型 - 您丰富的上下文、您的操作历史、您的关系图保持完整。你并没有被大脑所束缚。您正在构建任何大脑都可以使用的资产。

将从人工智能中获益最多的运营商

未来几年从人工智能中获取最大价值的操作员将不会是那些拥有最佳提示的操作员。他们将是拥有最好的上下文基础设施的人——他们的人工智能对客户、承诺和模式有持久的记忆，而不是每天早上都从空白开始。

建设该基础设施并不复杂。首先选择一个上下文层来摄取您的工作数据，不断丰富它，并通过模型理解的协议将其公开给您的 AI。 Lodestar 就是为了弥补这一差距而设计的。

您使用的人工智能已经足以运行您的工作日。问题是它是否能够清楚地看到你的工作日并做到这一点。