Context决定一切｜爱分析访谈

前一天深夜，朱鹰还在自己的工作台里处理招聘、会议纪要和项目资料。第二天见面交流时，他直接展示了这套工作台，会议逐字稿、部门待办、管理干部review、跨项目关联，以及不断被修正和索引的企业文档，都在同一个工作台里流动起来。

这个工作台月均处理约3000+份文档，渗入到他的日常工作中。它不是一次“AI演示”，而是一套在CEO日常经营里连续运行、持续纠错、能反过来塑造组织节奏的管理基础设施。

朱鹰是慧工智能创始人兼CEO。在他看来，Agent和Chatbot的区别，已经不只是界面是不是一个对话框，而在于系统背后有没有企业自己可掌握的上下文工程，或者说可控的记忆结构：可追溯的数据来源、可版本化的规则、可调用的工具、可评测的结果，以及可审计的权限边界。企业真实运转中的会议、项目、流程、客户和现场经验，能不能被持续组织起来，变成可调用、可复用、可迭代的Context，才是这一轮AI进入工业软件的关键。

正因如此，本次交流很快从“怎么做一个Agent”，扩展到工业软件问题。当企业Know-how开始被压进skill和小模型，当Workflow不再只是固定流程，而要围绕目标和意图重新设计，当软件越来越像服务，工业软件公司未来的壁垒到底会在哪里？接下来两三年，工业企业又该如何重新理解自己的组织、产品和客户关系？

核心观点

• Context才是新壁垒。

企业级智能体真正难复制的不是模型调用，而是谁能持续拿到真实工作里的上下文，并把它变成可调用的记忆结构。更进一步说，谁能把每一次会议、交付、异常、客户反馈变成下一次Agent判断的证据，谁才有复利。

• Know-how会迅速被压缩进skill和小模型。

过去靠经验、流程文件和提示词守住的秘密，会越来越难单独构成护城河。

• 智能体会改变组织管理半径，一号位的认知和投入变得更关键。

信息能力增强后，管理者可以直接管理更大的团队，但组织也需要重新思考一线员工如何在高执行环境中持续成长。AI放大的是一号位的判断质量、组织设计能力和执行节奏，不是简单把人压成“执行机器”。

• 工业软件会被智能体重做一遍，客户资源和服务能力成为工业软件公司的关键竞争优势。

当通用能力逐渐被大模型吸收，工业软件公司的竞争力更多来自客户信任、业务理解，以及在服务过程中持续沉淀的真实业务Context。

• 卖软件会转向卖服务和代运营。

未来企业采购的不是软件License，而是一个需要持续调优、自我进化、嵌入现场的Agent员工。

以下为本次访谈实录，在不改变原意基础上略有修改。

01

“你要让它懂你”，Agent核心是可控记忆

爱分析：从您的实践来看，Chatbot和Agent的区别是什么？

朱鹰：区别其实非常大。Chatbot在某种意义上只有一次对话的机会（尽管已经有记忆、文件检索和工具调用等功能），它不能带着很长的记忆和上下文去做事情，这些仍然不等于企业级Agent。消费者产品的记忆是平台替你保存，企业级Agent的记忆必须由企业自己定义、校验和治理。你最后如果要让AI变得聪明，本质上一定要让它懂你。

大模型本身是没有记忆的，它需要有一个结构去存你的东西。问题是，你存下来的这些东西到底是什么？如果只是对话框里的记忆，仍然很浅。

爱分析：现在ChatGPT、Gemini也有记忆能力，这些不够？

朱鹰：那个记忆还是很浅，也不够可控。比如我在Gemini里聊天，它可能知道今年公司的目标是什么、我擅长什么，但你不知道它到底记得什么。有时候它会让你惊喜，有时候又很奇特。所以这里的重点不是否认大厂记忆能力，而是区分“平台替你记住”和“企业自己拥有可追溯、可删改、可审计、可迁移的工作记忆”。

我现在自己的工作台里，有会议纪要、项目资料、客户名称、部门状态、待办事项，还有很多自己生成的MD文件。比如招聘这件事，它可以根据业务相关资料，帮我看最近招聘缺口、岗位需求，甚至把管理干部的状态定期review一遍。这些事情在Chatbot里做不了，因为它缺的东西太多。

所以这更像是你在控制一部分记忆。不是说模型忽然变聪明了，而是你给它一个结构，让它能把真实工作里的上下文组织起来。这就是现在AI工程里越来越重要的Context engineering：不是把所有东西都塞给模型，而是决定什么该存、怎么索引、何时取回、如何验证、错了怎么修。

爱分析：所以你现在强调的其实不是一个聊天框，而是一个工作台。

朱鹰：对。昨天我还给朋友现场看了我自己的工作台。会议纪要、逐字稿、招聘缺口、顾问卡片、跨部门待办，全在里面。昨天晚上我还在刷Boss直聘，顺手让它帮我看最近的招聘缺口，重新过一遍我上个季度还在招哪些岗位。你放在Chatbot里，它其实做不了，因为它缺的东西太多。

爱分析：这套工作台现在大概跑到什么规模了？

朱鹰：我们现在一个月大概处理3000份文档。它会不停滚动。比如我管理部门，会产生很多洞察、很多待办，下周开会又会有更新，更新完以后你又会有新想法，部门和部门之间还会有新的关联。我还有后面的脚本，定期去review管理干部的状态，再给他补一些东西。你可以认为，这其实就是你在某种程度上开始控制了一部分记忆。

爱分析：普通聊天记录和这种记忆积累，最大的差异是什么？

朱鹰：差异在于“可控”。一旦你把工作真正带进去，它就会慢慢开始理解你。它不是不会，它只是原来不了解。

爱分析：也就是说，Agent的价值不只是能调用工具，而是能处理更长、更稳定的上下文？

朱鹰：对，而且你能在中间感受到它的过程。Chatbot的上下文不会一直那么宽，东西多了以后就会不停压缩。压缩到一定程度，它就会飘。

我觉得一个有智慧的Agent，它的记忆有一个“甜点区”，可能在30%到60%。太少了没有东西，太多了以后它会变笨。Anthropic有个说法，说从心理学角度看，Agent会变得紧张。我觉得这个比喻挺形象的，人手头事情多了，状态也会不正常。

Agent最后呈现出来可能还是一个聊天窗口，但它背后调用的事情已经不一样了。Agent不是简单陪你聊，而是在项目里工作，有文件、有规则、有索引，也有很多本地能力。

爱分析：这种差异落到企业场景里，会带来什么变化？

朱鹰：哪怕只是我这个很小的工作台，当3000多份文件被组织起来以后，你想迁移到另一个框架，其实就挺痛苦。你可能还得再干一遍，即使比以前快不少，也还是得干一遍。只要不出大问题，我不会迁移现有系统。

以前企业系统里很多只是业务数据，而且比较结构化。现在这些文档已经很难再靠人工处理，因为数据量太大。我们最近也准备把过去七八年Confluence上的文档重新整理成企业知识库。一个员工如果入职后能把公司所有东西读完，他基本就了解公司了，但这种神童很少出现。

所以我们叫把Context index化。人的大脑也是分块记忆的，你不一定记得大学课程的每个细节，但你记得课程名、老师、结构。要找的时候，你找到那本书，翻开以后，很多记忆就回来了。大模型也一样，本质上是压缩，你既要能压缩，又要能找回去。长上下文窗口会继续变大，但它不是终点；企业真正需要的是“压缩后还能找回证据，生成后还能被评测”的机制。

02

Context比Know-how更重要，秘密会被压进小模型

爱分析：如果Context变得这么重要，未来企业是否需要训练自己的模型？

朱鹰：会，但不一定是训一个大模型，可能是训一个小模型。相当于把你的记忆压在一个结构里，这个结果我觉得比较必然。当然，小模型有价值，但它只是体系中的一个部件。

很多企业的秘密，包括很多工业Know-how，其实都在skill里，本质上是一些提示词、IT文件和处理规则。厂商怎么保存这些Know-how，是很重要的事。如果厂商能把它压在一个小模型里，它就真的变成一个秘密，外部想反推出这些内容并不容易。但小模型不是一蹴而就的，真正难复制的是现场流程、客户信号、评测样本、异常处理下，持续运营出来的反馈闭环。

爱分析：这件事和2024年很多企业训练模型的逻辑已经不一样了。

朱鹰：完全不一样。现在大家说做模型，不一定是为了通用能力有多强，而是为了把一些不想给别人看的东西藏进去。说白了，就像以前写程序一样，你把东西编成一层别人不容易直接看透的结构。模型不需要很大，但它可以变成你的秘密载体和安全边界。

爱分析：那是不是意味着，过去大家守着的经验，未必还能构成长期壁垒？

朱鹰：对。现在大家抄Agent抄得很快。只要你开放给别人，他就能照着你做，能蒸馏，能修订，能猜出你大概是什么。多数人的秘密，其实没有自己想得那么大。你怎么保存这些东西很重要，但如果你能把它压在小模型里，它才真正变成比较稳的秘密。

爱分析：所以长期更有价值的积累，剩下什么？

朱鹰：还是向前看，很多东西会变得完全不一样。你今天守着的那些东西，不一定还能一直有用。真正重要的是，你的客户能不能越用越顺手，越用越离不开你。如果他永远只是像用一个Chatbot那样，把数据塞进去就出结果，那你其实很危险。

03

工作流不会消失，但工业软件的中心会从SOP转向意图

爱分析：如果企业知识和经验都在被重新组织，工作流还有价值吗？

朱鹰：有，但工作流和以前理解的Workflow可能不太一样。你确实要把很多工作切分开，让不同部分分别去做，但不一定像以前一样，并不需要每个流程都紧紧串联起来。

工业里原来专家一步步做事情的经验仍然有用，但不是直接照搬就能用。专家脑子里有一套框架，但有两个问题：第一，他可能说不明白，但做事是有节奏的；第二，这套框架和他本身能力有关，他干得好的事，别人不一定能做好。

爱分析：所以不是把专家流程原样搬进AI，而是要重新拆解？

朱鹰：对，要想清楚适合大模型的Workflow是什么。AI不一定适应我们以前的流程，但它很擅长处理现在信息量大幅提升之后的事情。比如三个小时录音，以前没有人真的愿意重听一遍，现在它可以很快转成文字稿，再往后做总结、分析和交叉检查。

我觉得要结合原来的专家经验进行重构。以前我们做流程，是为了把一件事变得更清楚，最好写成SOP，让小白也可以做。但现在不一定是这样，目标和意图可能更重要。更准确地说，不是SOP消失，而是SOP要和意图、工具调用、评测标准、人审节点组合在一起。工业场景尤其不能只有“意图”，还必须有边界条件和责任链。

爱分析：你刚才提到“意图”更重要，怎么理解这件事？

朱鹰：现在有些skills很有意思，它会持续追问你，从各个方面问问题，直到形成shared understanding。以前老板这么讲，你可能觉得这些都是正确但空泛的话。但现在这些话可以驱动AI，把专家原来散落在碎片里的东西，还原到他最本源想做的事情上。这类skill的价值，不在于提问本身，而在于把专家的隐性判断转成可复用的决策树(decision tree)、验收标准。

这也是为什么我跟销售说，每次出门前哪怕只给Agent一些基础信息，让它推动你把事情想清楚，也很有价值。如果每次交流都被记录下来，它很快可能比你更了解你自己的事情。

爱分析：模型规划能力变强以后，人是不是可以少做规划？

朱鹰：我觉得不是。现在有两个东西至关重要，一个是你的业务数据；另一个就是你的设计思路。

人的注意力和品味是至关重要的一件事。你要会去体会AI，要能精准描述问题。以前开发改bug，用户说“这里有个问题，你帮我改一下”，这其实不够。你要先分析它是不是问题，再定位问题，再把相关因素拆出来。每一步都有方法论，只是以前很多开发不是这么干。

爱分析：这些问题会随着工具演进慢慢被解决吗？

朱鹰：会。我觉得现在开发框架都在快速解决这个问题，有的是通过加强skill，有的是通过插件。你会发现这些产品演进方向在快速趋同，说明大家基本上找到了一条共识的路。

这也是为什么我觉得国产模型没有太落后，中国企业在应用层不必妄自菲薄。很多能力不是单纯模型能力，而是工程框架、交互方式和工作流组织能力。谁能把这些东西组合起来，谁就能跑得更快。对工业企业尤其如此：赢家不一定是模型参数最多的人，而是最先把模型嵌进真实流程并持续学习的人。

04

AI会改变组织管理半径，一号位的认知和投入是天花板

爱分析：当Agent进入真实业务，组织管理会发生什么变化？

朱鹰：我觉得必须自上而下推动AI落地。这件事至少在效率层面上会带来巨大变化，扩大到组织层面，就是你的信息能力变强以后，可以直接管理的团队会比以前大。

对我来说，管20个人和管30个人区别不大，因为只要注意力控制得好，就可以非常聚焦。团队大了以后，上下文反而更多。以后如果人类组织从1:5、1:10，变成1:20、1:30，那是很大的变化。

爱分析：但管理半径变大以后，对组织里人的成长会不会也有冲击？

朱鹰：会，而且这是很可怕的一面。我现在对很多一线同事的要求是高执行，甚至某种意义上，他们不动脑子更好，但我不认为这等于让人不思考，而是习惯先有问题就问AI，这其实是逼着我们进入上卡尼曼说的慢思考，多数时候得到的答案比自己想要好。

问题是，如果始终在这种训练模式下，他们怎么成长？就像现在管理Coding Agent的人，很多判断来自过去积累的犯错经验。如果一个人从第一天就和Agent一起长起来，他可能反而不知道Agent在做什么。

爱分析：所以公司能力会更集中在一号位身上？

朱鹰：我觉得现在已经进入转型期。大企业还有惯性，可能靠资本、靠资源度过一个周期。但对中小企业来说，这件事没有办法。工业革命来了，你的竞争对手很快就和你不在同一个生产力水平上，你怎么和他竞争？AI不只是工具升级，而是在重写企业的信息流、决策流和执行流。

工业里会有差异，取决于业务本身有多依赖生产设备。越依赖重设备，变化可以慢一点；越轻资产、固定资产投入越少，越要最先变。像我们这样的公司以前的生产资料就是硬盘上的文件，这种东西未来可能就没那么值钱了。

爱分析：放到制造业里看，离散制造和流程工业会有什么不同？

朱鹰：离散制造，特别是装配型制造，变化会比较快。流程类也会变，但风险更大，约束条件更多。离散制造里，如果你管10万个一线工人，少掉一个管理层级，能省多少钱？这个账很容易算清楚。

所以目标明确、约束条件规则越少的地方，会变得更快。很多规章制度也会被重新审视，因为信息需要流动起来，让Agent能进入销售拜访、项目交付这些真实场景里。

05

软件公司正转向卖服务，客户资源是公司最大护城河

爱分析：对工业软件公司来说，长期壁垒是不是就变成能不能拿到更多context？

朱鹰：核心就是这个。最值钱的东西其实是Context。包括软件开发里也能感受到，测试集会非常影响效果。我现在甚至要求他们开发系统时直接往生产机上发，尽早进入真实场景、真实数据和真实反馈，但通过生产镜像、灰度、回滚、审计来控制风险，因为只有这样才能更真实地展现实际情况。

这和原来工业软件做法完全不一样。原来讲究可靠性、非常细致地雕琢之后再交付。但现在有些事情是反直觉的。比如我跑自己的工作台，前两个星期错误率非常高，这时候你能不能坚持去喂养它？你不能出来一个Markdown就手修Markdown，而是要通过规则让它重新生成。

我自己的感受是，大概到第三个多星期，工作台的可用性一下子变得很强。智能体需要被持续喂养，你要不停告诉它Context。智慧有时候不是线性增长的，不是今天91分、明天92分，而是可能某一天突然变得可用。

爱分析：你判断智能体重塑工业软件的周期会有多快？

朱鹰：第一波智能体应用会非常快地出现。我自己判断，智能体渗透工业软件的周期可能也就是两三年。一旦有人想清楚怎么做，推进起来会非常快。

Coding是一个很好的参照。它的好处是所有人都在电脑上工作，Coding Agent产品可以自我改进，数据飞轮能自己转起来。从去年八九月份有人跑通这条路，到现在很多开发团队都在谈变化，也就是七八个月的时间。

工业软件肯定会慢一些，因为进入门槛更高，客户信任周期更长。但哪怕只是初步智能体，一个六七个亿规模的工厂，一年用AI减少低级、重复、又带一点小智慧的劳动，节省三四百万人工费用，我觉得是没有问题的。我们在工业客户中，采购询价与比价、质量8D辅助、设备维修知识助手、生产异常分析、交付进度跟踪、报价辅助、会议任务追踪、经营分析，这些都是先行ROI场景。

爱分析：工业软件公司在这轮变化里还有什么优势？

朱鹰：客户资源会变成最大的护身符。我们年初做了5天战略会，到第三天做了很彻底的调整。最后大家识别出来一件有点搞笑的事：智能体和AI来了以后，客户连接竟然是我们公司最大的护身符。客户信任、现场部署、真实反馈和长期服务关系，反而变成了我们最大的护城河。

在ToB领域，能够触达很多客户，而且客户对你有信任基础，这是一件很重要的事。就像当年互联网刚来时，阿里带着每个企业做网站、做黄页，我觉得现在又有点像那个阶段。

我现在做一个新产品，肯定有客户愿意试，这就是工业软件公司还剩下的优势。技术本身很多已经不是最大难点，难点是你能不能进入客户现场，能不能把前端交互调得更友好，不要把一个看起来很先进、但客户根本不知道怎么用的工具直接交给客户。

爱分析：这么看下来，工业软件公司未来是不是都得转向服务？

朱鹰：我觉得这是必经之路。因为以后你卖进去的Agent，本质上也是个Service。它不是过去那种“躺着收钱”的软件服务，而是你真的卖进去一个“员工”，你要持续管它、养它、优化它。那你其实就是人家的代运营，也是伙伴。这个服务未来更像“AI员工托管+业务结果共创”：有上线、培训、监控、评测、升级、事故复盘和收益复盘，而不是一次性交付。

爱分析：而且只有持续服务，数据才能持续积累。

朱鹰：对。没有这个过程，你的数据就积不起来。我们自己原来就有咨询业务，所以并不怵服务。反而这些年做咨询要求大家把文档都存下来，Confluence、Share Seafile一类东西长期沉淀，今天回头看，全成了AI Ready的资产。这句话很适合强化慧工智能的先见：过去看似笨重的咨询文档、会议记录、项目复盘，今天变成了可被Agent调用、评测和训练组织的Context资产。

爱分析：如果企业级入口被钉钉、飞书、微信这些平台拿走，工业软件还有空间吗？

朱鹰：我反而准备跟这些平台合作，做它们的服务商，我觉得他们不太想进入到这么专业的领域。通用平台会拿走入口和连接器，垂直厂商要把工业语义、现场服务、数据合约和应用闭环做深，成为平台上的工业AI服务层。

平台做通用场景就行，比如CRM，最重要的信息其实是销售拜访信息，其他东西都没有那么重要。通用SaaS厂商现在会很恐慌，因为从终局看，它们好像没有什么护城河。原来几乎所有护城河都不存在了。

你只能把原来积累的知识和Context，快速转化成新的产品应用，再快速铺市场。我觉得对很多一号位来说，这是很难做到的。好不容易以为可以躺着收钱了，突然又要爬起来重新干活。

爱分析：通用场景的竞争会持续很长时间吗？

朱鹰：会持续竞争。对通用SaaS来说，担心的是会被基模吃掉。所以我觉得现在是比谁跑得更快。你永远不知道竞争会从哪里来，唯一能做的是把自己的Context、客户关系、服务能力和产品化能力尽快连接起来。未来不是“谁有一个软件入口”赢，而是看谁能从每一次客户使用、每一次现场异常、每一次服务复盘中最快学习，并把学习重新变成产品。