立正把 context 分成三层记忆：工作记忆是当前任务直接需要的，项目记忆是这个项目积累的经验和决策，组织记忆是跨项目的长期知识。分层的意义在于，不是所有 context 都同等重要，什么该保留原始形态、什么该被提炼成精华、什么该定期清理，都要有明确规则。因为 AI 的 context window 有限，全塞进去会撑爆，什么都不给 AI 就是空壳，所以技术架构的核心是让 AI 执行任务时自动找到并加载需要的那部分，不多不少，这需要建索引、做分类、设计加载策略⁠1。同样的思路在另一篇里被概括为三类记忆：工作记忆、长期记忆、事务性记忆（操作记录、审批、状态变更），目标是让 AI 不再像一个每次都要从头教的陌生人⁠2。

会议纪要、Slack 讨论、设计文档是 raw context，本身零散且噪音大。立正主张让 AI agent 定期对这些原始材料做提炼：哪些是有效经验、哪些是踩过的坑、哪些决策背后的判断标准值得沉淀，把 raw context 加工成高质量 insight，团队的 AI 能力才会持续变强，调用时也更高效精准⁠1。他举过一个可观察的例子：把上下文全混在一起，很快 window 就满了，脑力全用来处理上下文，反而没法执行任务，所以需要把上下文整理成可维护的记忆系统，比如用文件记录人格、用户画像和长期记忆，并定期审查日志、提炼要点、清理过时内容⁠3。他还强调，管理好上下文这类动作不会因为模型变强而失效，反而更重要⁠4。

设计 context 时容易把两种价值混在一起。立正提到，喂更多专家资料主要是让回答更像某位专家、带上他的风格，用户因为认可这个人而付费，但这笔价值来自信任，不能算成解决问题的能力变强；真正完成大量解答的能力来自底层模型。他自己的观察是，拿他的 context 加 GPT 解决这些问题，和直接用 GPT 没有特别大区别，可以更像他，但解题能力没相应提高。所以他强调，私有数据里真正关键的是用户自己的数据，而不是专家的数据，因为模型不知道这个孩子前两个月经历了什么、这位老师在这个班试过哪些方法⁠5。