管理不好你的上下文,说明你还不是真的AI NATIVE,最大化AI的效率

你让 AI 做个销售页，它做得驴头不对马嘴，问题多半不在模型。AI 能做的事太多了，你不给它划边界，它就会做偏。这篇讲 AIOS 是什么、它在电脑上长什么样、一套好的 AIOS 看哪两条，以及什么样的人才需要它。

没想到，我大概 4 月份发的一条视频，今天给我变现了 4000 块钱。

今天是我做 OPC（一人公司）的第 40 多天。昨天晚上，我收到一家非常有名的市场调研公司的私信。他们想邀请我参加他们一个产品的市场调研活动，主题就是 AIOS。

AIOS 这个概念，我其实 4 月份就讲过了。当时我是看了 YouTube 上 Liam Ottley 分享他自己的 AI OS，照着这个框架，把它搭进了自己的项目里。可那个时候并没有太多人关注它，视频发出去，也就那样了。后来市面上又冒出来一个叫「本体」的东西，大家又开始讨论。

我看着就觉得很奇怪。AIOS 说白了，是所有想真的拿 AI 去做事情、做任务的人，都绕不过去的一个概念。不管你是一个人在做 OPC，还是在企业里做流程提效，甚至是想搭一整个所谓的「企业母体」，它都非常非常重要。

今天借这件事，给大家好好讲一下 AIOS。

AIOS 到底是什么

AIOS 就是 AI Operational System，AI 的运行系统。

用一个比较通俗的方法去理解：它是这么一套系统——让 AI 在我们输入尽可能简单、尽可能少的情况下，产出最符合我们实际需求的东西。

你注意这句话里的两头。一头是「输入尽可能少」，一头是「产出最符合需求」。正常情况下，这两头是打架的：你给 AI 说得越少，它越不知道你要什么；你想要它做得准，就得说很多很多。而 AIOS 要干的，就是让这两头同时成立。

那它靠什么同时成立？靠上下文的管理。AIOS 的本质，就是上下文管理：你不用每次说的那些背景，提前放在 AI 拿得到的地方，让它自己带上。

听着很玄，举个例子就懂了

我刚刚说的这些，你听着可能觉得很玄乎。我举个例子，你就能听懂了。

假设我想让 AI 帮我做一个产品的销售页面。

如果 AI 不知道我的产品定位，不知道我的品牌定位，不知道这个产品到底是卖什么的，也不知道我的人群是谁，而我仅仅只输入一句「帮我做一版产品的销售页面」——那它做出来的东西，一定是驴头不对马嘴的。因为它手里什么都没有，只能按它自己的猜测去做。

那换成一个有效的、高效的 AIOS，会发生什么呢？

我同样只说一句「帮我做个产品页面」。系统会自动给那个去干活的 agent（执行任务的 AI 智能体）注入它需要的东西：比如我的品牌信息、我的产品使命、我的产品信息、我的日常用语、我的设计风格，等等等等。它带着这些东西去干活，交出来的，就是我想要的那个页面。

你看，两次我说的话一模一样。差别全在 AI 背后，有没有这样一套系统。

AIOS 是一个大的 concept：想让智能体运行顺畅，或者说，真的想要用 AI 去干活的人，都必须理解它。说白了，它是支撑多个 agent 在复杂任务上流程协作的一个非常重要的基座。任务一复杂、agent 一多，如果没有这个基座，每一个 agent 都得从零开始猜你要什么。

它在电脑上，到底长什么样

讲到这儿，你可能还是会问：这套系统到底是个什么东西？一个软件，还是一个文件？

在讲之前，先说一件事。11 月底，我要去上海交通大学，做一次企业 AI 落地的案例分享。这是我和交大联合办的一个三天的 AI 转型培训班，交大的负责人也是刷到我的视频找过来的。它要做的事，是帮企业的高管、负责人拉齐认知：先搞懂 AI 能做什么、不能做什么，转型的地基才打得实。懂了这些，再看第三方给的方案和报价，哪些有水分，一眼就能看出来。

那企业里的 AI 落地，到底落成什么样？我拿之前一个跑通的项目来说。那是一个电商项目，我在上面搭过一整套 AIOS。

它在电脑上，其实就是一个大文件夹。下面四层，每一层放各自的信息。我们从里往外讲。

最里面一层，是 context，也就是你的business model。你的公司到底靠什么赚钱，具体在卖什么，你的公司到底是什么。比如你的人员架构是什么，你的产品是什么，你的供货商渠道是什么，产品的价格、毛利是多少，服务流程怎么走。这些是你公司里不那么会变动的东西，你要把它们全都存下来，存进一个非常有结构的文件夹里。

光是把这一层沉淀下来，你再去跟一个能读这个文件夹的 AI 聊天，它给你的产出就已经好很多了。因为它已经知道你的 business 是什么，你有多少人，你的团队是什么样。前面那个销售页例子里的品牌信息、产品使命、设计风格，放的就是这一层。

往外第二层，是 data，数据。对任何公司来说，数据都是非常重要的一部分。电商每天会有很多报表。我当时打通了飞书和电脑本地的连接，所有员工都可以通过飞书的机器人，把每天的报表传进来。后端一收到报表，就开始做结构化处理：小红书的数据，存到小红书下面；抖音的数据，存到抖音下面。不管传进来的是 Excel 还是 CSV，都会被转成一个标准的格式存好。

再往外第三层，是 intel，简单来说就是公司每天发生了什么。最经典的例子是会议记录。飞书上我还有一个机器人，它能实时读取每一个聊天记录，飞书妙记的会议沉淀也能直接传给它。每天晚上 10 点，系统会去解析当天传进来的所有会议、所有聊天记录，把重要的点结构化地提取出来：我最新的决策是什么，今天发生了什么，昨天有没有什么问题，客户有没有发生什么事，投流有没有波动，销售有没有出问题，有没有客诉。

最外面一层，是 automation，自动化。里面三层流动起来了，这一层才有东西可用。

最基础的例子，就是日报。我们每一个工作的人，其实都写过日报。可你让 AI 去写日报，它往往写不好，原因很简单：它没有你企业的实时上下文。而当你有了里面那三层流动的、实时更新的全量上下文，你再让它写日报，就非常简单了。

作为管理者，我可以要求它告诉我：昨天的会议发生了什么，这是 intel 层告诉它的；昨天的数据有没有波动，这是 data 层告诉它的；这两层之间有没有什么关联；几周之前的会议上提过的一个假设，两周后的数据有没有验证它。

当然，automation 这一层的应用远不止日报。但想让这些应用真正产出符合需求、贴合企业真实情况的东西，里面那三层，一层都不能少。

为什么叫「实时更新」

还有一点很关键。最里面那层 context，我刚刚说它不怎么变，但它还是需要实时更新。更新从哪儿来？就来自 intel 和 data 的沉淀。

我举个简单的例子。有一次我在会议上面试了一个新伙伴，跟他说清明节后入职。这条信息就会出现在日报里，让我审批：要不要把这个新员工的入职，加进 context 里的团队架构。

所以如果要用一句话说 AIOS 是什么，它就是一个包含了你公司、实时更新的全量上下文库。

一套好的 AIOS，我看两条

那怎么判断一套 AIOS 好不好？它有几个必要的衡量标准，最重要的是这两条。

第一条：限制要大于指令。

AI 本身是一个自主性非常强的物种。

很多时候我们拿不到一个好的 AI 产出，本质上不是 AI 的能力不够，恰恰是因为它的能力太强了。它可以做的事情太多了，所以一不留神，它就做偏了。懂吗？

大部分人遇到 AI 做得不好，第一反应是再多给它一点指令、再多引导它一下。可如果问题出在它能做的太多，那你给的指令越多，它能发挥的方向反而越多。

所以一套 AIOS 想达到比较好的产出，第一步要做的，是做足够的限制。它给 AI 的限制，要大于它给 AI 的指令和引导。这是 AIOS 非常重要的一点。这些限制放在哪？就放在最里面那层 context 里。

第二条：能不能极大地简化你的提示词输入。

还是刚刚那个例子。我是否可以只说一句话，比如「帮我做一个某某产品的落地页面」，它就能知道我要做什么？

而不是每一次，我都得再去重复一遍：大小是多少，颜色是什么，字号是什么，内容是什么。

如果每一次都要这样交代一遍，那这套系统就等于没起作用。说到底，AIOS 的本质，还是上下文的管理。

什么样的人，才需要 AIOS

那是不是每个人都需要 AIOS？不是。

如果你只是用 AI 去做一些零零星星的任务，你不需要 AIOS。你直接打开 WorkBuddy，把你要做的事情告诉它，就行了。

跟 AI 协作的活，大致可以分两种。一种是比较简单、偏执行的任务，这种任务提示词就非常重要，因为你要的是稳定、可靠的结果。另一种，是让 AI 参与到你日常的决策里，甚至是一些更复杂的任务里。想让它在这种活上的产出靠谱，除了提示词，你还必须给它一个非常全量的上下文。AIOS 干的就是这件事。

AIOS 是给那些想在 AI 的使用上拿到复利结果的人准备的。

我一直有个说法：你在用 AI 做事情的时候，认真这件事只应该发生一次。

不管你是写文案、做视频分发，还是写产品的落地页面，或者是任何别的东西——你第一次做它的时候，你要认真。可但凡这件事你需要做第二次、第三次、第四次，它就应该交给 AI 了。

而 AIOS，就是让「认真只发生一次」成立的那套东西。你第一次认真想清楚的那些背景、那些标准、那些限制，被沉淀进系统里；之后每一次，AI 都自己带着它们去干活，你不用再认真第二遍。

拿前面那个销售页面来说。第一次做的时候，我得认真想清楚：我的品牌是什么，这个产品的使命是什么，卖给谁，我平时怎么说话，页面是什么设计风格。这些东西想清楚了，放进系统里。第二次再做落地页，我就只说一句话。下一次要写的是文案，用到的还是同一份品牌信息、同一套日常用语，我还是只说一句话。认真的那一次，被后面每一次复用了，这就是复利。

而且这份复利还会自己长。你每天开的会、每天的数据，会通过 intel 和 data 两层，一点点沉淀回最里面那层。你认真过一次的东西，不会就停在那一次。

把时间腾出来，花在 AI 替不了的事上

我们之所以要做 AIOS，就是为了让 AI 更高效地 handle 那些我们日常中非常重复、会不断出现的工作，从而把我们的时间释放出来，花到更有意义的事情上。

比如说，来录视频。AI 没有办法代替我来录这个视频，AI 也没有办法代替我，表达我想要表达的东西。

对一个企业的创始人或者负责人来说，也是一样的道理。我们作为使用 AI 的人，想要真正给企业、给业务带来增效，砍人是一个非常简单的方法。而第二个方法，是把人的脑子的算力，花到真正能带来增长的事情上面。

这就是我对 AIOS 的理解。

当时我把这段话整理成文字，发给了那家市场调研公司，也顺利促成了这次合作。

整个上下文工程，我在 AI 母语思维营里有非常详细的好几节课。而且因为这个东西是我自己每天在用的，所以它现在还在高强度地更新。

我是卡尔「kaerai.club」的创始人 

我的目标是孵化 100 个用 AI 持续盈利的 OPC

学而筑之，败而迭之，复而越之

learn build fail repeat & excel