看着这一堆混乱的文件，我突然意识到，我正淹没在一片由我自己创造出来的，毫无关联的产出物海洋里。我拥有一大堆的Output，但没啥用，我需要的是能够形成知识体系，能够被复用和迭代的Outcome。这两天我内测上了特赞正在做的一套企业智能体架构，他们称之为GEA，他们实现了从Output到Outcome的跨越。他们把我所有的AI输出都剪藏到了一个地方，不是简单地把内容存进一个知识库，而是把这些分散的数据组织成可以持续调用的上下文系统（Context System）。Agent每次工作要读取上下文的时候，背后会有一个编排层，由发散推理模型（Creative Reasoning Model ）驱动，根据每次对话目标来准备当前对话的上下文，以及要不要改变方向。在GEA的架构下，Agent 就会在一个系统里持续工作，而不是一次性被调用的工具。
🔗atypica.ai一个典型的洞察研究GEA
🔗 musedam.ai这一体系的企业上下文系统入口，为Agent提供可调用的语境基础。我这次需求很简单，作为一个内容创作者，我想试试海外内容平台，该怎么做。这在过去，意味着我需要让AI帮我生成市场分析报告，竞品调研表格，内容策略文档。我会得到一堆Output，然后自己去消化，理解，串联，形成一个可执行的计划。但我把这个想法告诉那个洞察研究GEA后，它完全没有给我这些中间产物。它先是像一个资深顾问一样，反过来问我问题，了解我的账号定位和内容风格。然后，它告诉我，要达成我的目标，最好的方式是进行一系列一对一的深度访谈。紧接着，它就自己通过AI配置了八个不同的人格（AI Persona），有成功出海的创作者，有精通平台的运营专家，有商业化顾问，几乎覆盖了所有。
然后，它就开始自己访谈自己了。我像一个旁观者，看着它和这些虚拟专家进行了一场场高质量的深度对话。最终，它直接给了我一份整合了十五个不同角色观点的完整出海策略。这是一个可以直接拿来用的Outcome。
我点进其中一个访谈实录，有点被详细到了。那个角色叫Marcus，设定是一个三十岁，住在伦敦的油管博主。AI问他，对于新账号，是应该先追求垂直领域的深度，还是先尝试多个方向来测试市场反应。Marcus的回答逻辑清晰，充满了细节。
最关键的一点是，这些AI人格，像Marcus，会被保留下来。它们成为了这个项目的常驻顾问，并自动变成了这个研究任务的一部分上下文资产。等我真的开始做油管了，我可以随时回来，把我的新视频内容再拿给Marcus看，问他有什么建议。他拥有我们之间所有的记忆，所有的上下文。反正我是把这个对谈一句句看完了，并转发给运营朋友逐句学习。
所以其实要实现从Output到Outcome的跨越，关键就在于一个东西，上下文，Context。我那些混乱的视频和图片，缺的是能将它们串联的上下文。而特赞用4层架构打造了一个以 Context System 为核心的企业级Agent系统。最顶层，是我发出的那个目标，一个Intent。当我给出我要出海这个意图后，系统的大脑，也就是编排层，就会接管。它会把这个大目标，拆解成无数条可能的执行路径，评估哪条路最好，再把一个个具体的子任务，派给最合适的模型和工具去执行。它知道应该先做市场调研，再做用户访谈，最后生成策略报告。然后，GEA的手和脚，也就是执行层，开始工作。这里有各种主动的智能体，它们会调用超过四百个技能模块，去完成内容生成，数据分析等具体任务。Agent们的协作，全都依赖于上下文系统。它像一个第二大脑，存储着品牌，产品，项目，案例，用户画像等所有信息。最底层就是提供能力的基础多模型层。这里有三十多个不同领域的模型，哪个强就用哪个。
这个架构的设计目标很纯粹，就是为了交付Outcome。所以GEA的诞生，几乎是一个必然的结果。它是从那片叫做Context的土壤里，自然生长出来的。写到这里，我想起我那个混乱的文件夹。有了GEA，有了这套可持续运行的架构我就可以告诉它，我的意图是建立一个关于Sora创作的知识库。它会自动把我所有的视频，图片和提示词进行关联，分析它们的风格，打上标签，甚至能主动建议我，基于现有的素材，可以尝试创作哪些新的内容。这样的Agent不急于交付更多的零件，而是直接帮你思考，帮你执行，帮你把神探夏洛克同款的记忆宫殿用AI的方式，一点点盖起来。@ 作者 / 卡尔
© 版权声明
文章版权归作者所有，未经允许请勿转载。
