我自己建立了一个类似鸭哥的context infra, 也从Kaparthy的wiki那里得到了一些启发, 可是我发现这些系统维护起来非常费劲,文档总是会变得stale,太长,很多冲突,如果我每天去审核又是一个巨大的任务。但我觉得AI时代,如果context做好了,其实执行任务都是trivial的,不知道这个理解是不是对的,那对于维护个人的context花的时间是不是也可以被正名了。还有另一个就是对于企业来说,有个共享的context也是至关重要的,对这个有没有什么已有的解决方案或者最佳实践?

提问

AI根据立正公开的文章和视频整理,不是他本人回复

“context 做好执行就 trivial”只说对一半:执行确实变便宜,但瓶颈会转到判断和架构上,维护 context 的时间因此值得投入,只是不该靠人每天逐条审核。

执行变便宜,判断和架构反而更贵

有篇发布在立正账号的文章提到,AI 把执行速度提上来以后,真正的瓶颈越来越集中在判断力和架构上,比如选哪种建站方式会同时影响速度、可维护性和体验⁠1。另一篇课程更新说明也强调,什么算正确、采用哪条业务政策,仍然必须由人判断,AI 只在边界内循环改进⁠2。所以“context 做好,执行就 trivial”成立的部分是:重复性、有明确验收标准的任务会大幅变便宜;不成立的部分是:目标、取舍、回归判断和最终责任不会因此消失。你花在维护 context 上的时间,如果换来的是这些判断被沉淀、被复用,那它确实是在给执行铺路;但如果只是每天人工逐条核对文档,那更像是在替系统做它该自己做的整理。

维护不该靠人每天审,而该让系统自己整理

AI推演

文档变 stale、太长、互相冲突,通常不是“你不够勤”,而是缺了分层和提炼机制。一篇讲 context 架构的文章把 context 分成工作记忆、项目记忆、组织记忆三层,并主张对原始材料做持续提炼:哪些是有效经验、哪些是踩过的坑、哪些判断标准值得沉淀⁠3。另一期视频里也提到,好的记忆系统会自己审查最近的日志,把值得提炼的点放进长期记忆,同时清理过时内容,用户不需要天天维护⁠4。放到你身上,可以先试一件事:不再逐篇审文档,而是让 AI 定期把最近的项目记录提炼成一页“事实、做法、判断”三类条目,冲突处标出来交给你拍板。观察一周后,看你要亲自处理的条目是不是从“全部”缩到“少数真正需要判断的”。

企业共享 context 要先定归属和加载方式

企业层面,一套 context 架构方法论分三层:先画一张图,说明 context 散落在哪、谁负责产生和维护;再设计从原始信息到结构化知识库、再到 AI 可消费格式的流转;最后配工具链,包括文档系统、知识库、MCP 集成和 AGENTS.md 等⁠5。其中两个具体做法值得先落地:一是渐进式加载,让 AI 按任务自动找到需要的那部分 context,而不是把所有东西一股脑塞进去⁠3;二是把最重要的做事标准写成 AI 能理解的规则注入工作流,让 AI 在具体工作里自动拿这些规则做检查⁠3。共享 context 的关键不只是“有一个库”,而是每类 context 有明确的责任人和更新方式,否则共享库很快会变成没人敢改的冲突源。

现有材料没有给出个人 context 维护频率的具体标准,也没有企业共享 context 的完整落地案例;上述分层和提炼机制是方法框架,具体节奏要按你的任务量调整。

回到5份原文