Input 是 AI 系统接收并处理的一切原始信息，可以是文字、语音、图像，也可以是执行上下文与结构化参数，它决定了模型能看到什么、据此生成什么。围绕这一概念，近期研究与实践出现两条并行线索：一条把输入本身当作可优化的对象，另一条则强调输入所处的执行环境同样是一等公民，二者共同推动 AI 从“读提示”走向“读情境”。
Input 处理方式的近期进展
执行上下文被视为一等输入。arXiv 上题为 Substrate-Aware AI Agents: Execution Context as a First-Class Input 的研究提出，智能体不应只依赖用户给出的提示，还应把运行环境、可用工具、资源约束等“基底”信息纳入输入通道。这一思路解释了为何同一模型在不同部署环境下表现差异明显，也为构建可复现的智能体提供了设计依据。
语音与键盘输入存在扰动差异。arXiv 论文 说话还是打字给LLM？HIVE研究语音与键盘输入扰动 对比了两种输入方式在噪声、口音、错字等条件下的稳定性，提示多模态输入并非简单互换，输入通道本身会引入系统性偏差。
工程工具把输入接进工作流。Dify 相继发布 difyctl 与 Dify CLI，让编码代理能从终端调用工作流并支持人工审批，使“输入”从单次提问扩展为可编排的事件源。同时也有用户实测发现 Claude Code 会话导入 Codex 报错，说明不同工具间输入格式兼容仍是实际问题。
数学层面也在刻画输入性质。arXiv 论文 Parameterized Complexity of Lp-Lipschitz Constants for Input Convex Neural Networks 研究输入凸神经网络的利普希茨常数复杂度，为输入空间的鲁棒性分析提供理论边界。
当前焦点与观察点
焦点之一是如何在保留语义的同时压缩输入：模型规模与价格持续变化，如 Claude Opus 5 发布：价格仅一半，输入长度直接关系到成本与延迟。焦点之二是输入的可信与可审计，语音、终端与代理环境各自引入新的扰动源。对开发者而言，值得观察的是输入格式标准化能否跟上工具迭代速度，以及上下文作为输入的实践是否会成为智能体框架的默认设计。