从记录系统到上下文系统 — Omri Bruchim, monday.com

在AI Engineer的这次分享中，monday.com的Omri Bruchim提出了一个深刻观点：当前AI助手之所以表现不佳，核心问题不在于检索能力，而在于系统只记录了“发生了什么”，却没有记录“这意味着什么”。他举例说，当他问Claude自己应该做什么时，Claude建议他去健身房——尽管系统拥有他所有的看板、任务、邮件和Slack消息，却仍然缺乏真正的理解。

monday.com的应对方案是构建一个“上下文系统”（system of context），而不是传统的“记录系统”（system of record）。他们通过两个引擎来预计算上下文：一个慢速引擎分析数周的活动，构建关于用户是谁以及如何工作的持久画像；一个快速引擎读取最近几天的数据，捕捉突然变得紧急的事项以及用户正在与谁协作。

这种设计在神经科学中对应海马体（长期记忆）和新皮层（短期处理），在数据系统中则类似于Lambda架构（批处理与流处理结合）。上下文被提前计算好并服务于AI代理，使得代理能够优雅地降级（当上下文不足时仍能合理回应）、判断何时应该主动发言，并且随着每一天和新数据源的加入，模型会不断自我优化。

对于中文AI/科技读者而言，这个观点极具启发性：它指出了当前AI应用的一个常见误区——以为只要给模型更多数据就能解决问题，而实际上需要的是对数据含义的结构化理解。monday.com的实践展示了一种可行的工程路径，将认知科学和系统架构相结合，值得关注。