上下文相关 AI 资讯 · AI 热点

7月31日

02:08

02:08

官方账号Perplexity@perplexity_ai

Perplexity 在 Computer 中推出 Brain 功能，这是一个自我改进的记忆系统。Projects 连接 Brain 后，系统会在任务间隙自动审查项目文件和会话并更新知识。这确保每个新任务都能继承之前工作的完整上下文，无需重复提供背景信息。

AI产品 Perplexity Brain Computer

推荐理由：Perplexity 给 Computer 加了自动记忆，下次打开项目直接续上进度，不用再翻之前的对话。

7月29日

23:38

23:38

Tw93@HiTw93

HiTw93分享了一种与AICoding交流的新技巧：躺椅子上按住语音输入法，自言自语几分钟，描述要做的事、原因、解决问题、期望风格、验收标准等，不断补充要求。然后将这些杂乱但重要的上下文一次性给到AI。相比逐句打字，这种方式大幅提升了沟通效率和生成质量。

技巧 AICoding 语音输入法编程助手

推荐理由：试试躺着说话给AI听，比打字快十倍，上下文更完整，效果真的不一样。

7月21日

11:39

11:39

Harrison Chase@hwchase17

LangChain创始人Harrison Chase回应Jeff Huber的文章，强调追踪(traces)是系统学习的核心，需要通过观测、反馈和更新来持续改进。他认同“拥有上下文租用智能”的观点，认为企业应拥有专有知识并灵活替换模型，同时指出通用智能（模型）与公司专有智能的区分。他提到LangChain正聚焦于可观测性、部署和沙盒等底层基础设施，并暗示有相关新功能即将推出。

行业 LangChain 智能体评估

推荐理由：LangChain创始人亲自拆解智能体学习系统的关键设计思路，告诉你为什么要自己掌握上下文、租用模型，还透露了LangChain的新动作。

7月15日

11:28

11:28

官方账号arXiv cs.LG@Mert Onur Cakiroglu, Mehmet Dalkilic, Hasan Kurban

该论文指出，基于频谱的可预测性分数不能回答'添加上下文（如更长回看窗口、检索插件或预训练模型）是否有帮助'的问题。频谱指标在相位随机化下不变，而上下文价值依赖操作点，并非序列固有属性。作者提出无标签的配置级诊断'覆盖亏缺'（coverage deficit），其主项衡量超越频谱的结构增益。在7个基准上验证：基于窗口的检索价值在代理对中从中位数+33%降至-35%（p<10^{-40}），而频谱指标不变；基础模型的价值仅有小的超越线性部分。

论文时间序列预测频谱上下文

推荐理由：这篇论文澄清了一个常见误解：别拿频谱指标来判断加上下文有没有用。作者给出了新诊断方法，实验做得扎实。

7月1日

04:47

04:47

Milvus@milvusio

团队发现，同一个 Agent 放在 IM 中比放在终端或独立 Web 应用中使用率更高、答案更好，因为 IM 自带问题、人员、历史决策、链接、截图等上下文。但答案往往还依赖代码、设计文档、GitHub issue、数据库记录等外部来源。MFS 将这些来源映射为稳定的文件路径，让 Agent 能像工程师一样先定位再查询，最终将对话、团队知识与外部工具统一为可搜索的上下文层。该项目已在 GitHub 开源。

AI产品 MFS Agent 上下文

推荐理由：MFS 把代码、文档、issue 都变成 Agent 能搜的文件路径，在 IM 里就能拿到完整上下文，回答更准。去看一下开源项目。

6月25日

02:34

02:34

Notion@NotionHQ

Notion 发布新功能，允许用户为每个 agent 独立设置上下文与权限，控制 agent 可访问的数据和操作能力。团队管理者可查看每次 agent 运行的完整日志，确保透明度和安全性。该功能旨在简化真实工作委托，让用户放心将任务交给 agent 执行。

AI产品 Notion Agent 权限

推荐理由：Notion 现在能精细控制每个 agent 能看什么、做什么，团队还能追踪每次运行记录，用起来更放心。

6月24日

06:54

06:54

Aadit Sheth@aaditsh

Zeb Evans分享其公司在1000人团队中部署5000个智能体，人工与智能体比例达1:5，通过压缩上下文节省token。他强调AI能真正了解你的工作比更聪明的模型更有效，大多数公司用相同工具却因上下文量不同结果天差地别。团队通过Process Miner代理处理每天约10万条公司活动事件，从预处理、摘要和组织的上下文开始工作，而非每次从头搜索。

技巧智能体上下文 Agent

推荐理由：Zeb Evans用5000个agent给1000人干活，重点不是模型多强而是上下文给够。他们自己公司内部就是这么干的，效率飞升。

6月21日

23:28

23:28

shao__meng@shao__meng

Greg Eisenberg和Theo Tabah在60分钟对谈中提出AI Native组织的三层架构：人、Agent和上下文。人退守两端负责战略与评审，Agent需满足Clear Goal、Skills、Tools、Context四要素才能自治。上下文层通过Capture-Curate-Store-Execute-Experience五阶段循环构建护城河。两个Live Demo展示成效：提案微站系统为LCA带来数百万美元收入，10分钟产品闭环生成高保真原型。Skill Chain（技能链）串接多个技能形成剧本，是对抗幻觉的关键机制。

技巧 AI Native 智能体 Skill Chain

推荐理由：Greg和Theo用真实案例拆解了AI Native组织的落地方法，三层系统比“用ChatGPT”具体得多，还有百万美元收入证明。

6月5日

14:12

14:12

官方账号Greg Brockman@gdb

OpenAI 宣布推出更强大的 ChatGPT 记忆系统，能够跨对话携带上下文并随时间保持有用性。这项改进旨在解决 AI 助手在长期对话中遗忘用户偏好和关键信息的问题。新记忆系统现已逐步向 ChatGPT 用户开放，将提升个性化体验和任务连续性。

AI产品 ChatGPT 记忆系统上下文

推荐理由：ChatGPT 重度用户终于不用每次重复背景信息了——新记忆系统能跨对话记住你的偏好和上下文，做长期项目或频繁咨询的团队建议立刻体验。

06:58

06:58

官方账号Sam Altman@sama

72°

OpenAI CEO Sam Altman 宣布，ChatGPT 的记忆功能今日迎来重大升级。新系统能更有效地在对话间携带上下文，并随时间保持有用性。这项改进基于 OpenAI 对记忆机制的深入研究，旨在让 ChatGPT 在长期交互中更连贯、更个性化。用户无需手动操作，升级将自动生效。

AI产品 ChatGPT 记忆上下文

推荐理由：ChatGPT 记忆升级解决了跨对话上下文丢失的痛点，重度 ChatGPT 用户（尤其是用其做长期项目或日常助理的）可以直接体验更连贯的对话，值得立即试试。

06:51

06:51

ChatGPT@ChatGPTapp

ChatGPT 正在改进其记忆功能，能更好地记住用户的偏好、约束和上下文，帮助用户从上次中断处继续对话。新增的记忆摘要功能让用户可以查看和调整 ChatGPT 记住的内容。该功能将在未来几周内向所有用户推出，今天起美国地区的 Plus 和 Pro 用户可率先体验。

AI产品 ChatGPT 记忆功能上下文

推荐理由：ChatGPT 记忆升级解决了对话中重复设置偏好和上下文的痛点，重度用户可以直接用记忆摘要管理 AI 的长期记忆，体验更连贯的对话。

5月23日

21:09

21:09

官方账号Decoder@Jonathan Kemper

78°

OpenAI 为编程助手 Codex 推出了新功能 Appshots，Mac 用户可以通过快捷键将任意应用窗口的内容发送给 Codex，作为任务上下文。这解决了开发者需要手动复制粘贴代码或文档的痛点，提升了编程效率。Appshots 目前仅支持 Mac 平台，用户可自定义快捷键，并选择窗口内容（如代码编辑器、终端或浏览器）。该功能旨在让 Codex 更自然地融入开发工作流，减少上下文切换。

AI产品编程助手 Codex Mac

推荐理由：Mac 开发者终于可以一键把整个窗口喂给 Codex，省去手动复制粘贴的麻烦，做编程的团队值得试试这个新功能。

5月22日

03:26

03:26

官方一手@OpenAIDevs@OpenAIDevs

78°

OpenAI 在 Codex Thursday 宣布推出 Appshots 功能，允许 Mac 用户通过双击 Command 键将当前应用窗口的截图和文本内容直接附加到 Codex 对话中。该功能不仅捕获屏幕可见内容，还能获取窗口内不可见部分的文本，为 AI 编程提供更完整的上下文。Appshots 目前面向 Mac 端所有计划用户开放，企业版即将推出。这一更新显著降低了手动复制粘贴上下文的需求，提升了 Codex 在复杂项目中的实用性。

AI产品 Codex Appshots 编程助手

推荐理由：Appshots 解决了 AI 编程中上下文传递的痛点，Mac 上的 Codex 用户可以直接用快捷键把应用窗口内容喂给模型，省去手动复制粘贴的麻烦，做多窗口开发的团队值得一试。

5月16日

20:41

20:41

宝玉@dotey

精选

本文清晰区分了上下文（Context）和上下文窗口（Context Window）两个易混概念。上下文是 AI Agent 实际拥有的所有信息，包括系统提示、对话历史、检索文档等，是动态可管理的；上下文窗口是模型单次推理能处理的最大 token 数，是硬性容量限制。文章用厨房操作台和食材的比喻帮助理解，并指出 Agent 开发的核心挑战在于如何在有限的窗口内塞入最有价值的上下文。最后强调了 Context Engineering 的重要性。

技巧上下文上下文窗口 Agent开发

推荐理由：做 Agent 开发的团队经常被这两个概念搞混，本文用一个厨房比喻就讲清楚了，还点出了 Context Engineering 的实战价值——看完能帮你少踩坑，建议收藏。