Context Infra：AI 领域的下一个热点

过去两年，AI 基础设施（AI Infra）的讨论大多围绕模型层展开。更准确地说，行业关注的核心是 LLM Infra——GPU、模型训练与推理构成了这条完整链条。底层是英伟达代表的算力基础设施，往上是 OpenAI、Anthropic、DeepSeek 等模型厂商，再往上是 Fireworks、Together 等推理服务平台。这条链路很重要，也确实火热。但一个不容忽视的趋势正在显现：模型正在变得像电力——稳定、便宜、好用即可，用户并不那么关心电来自哪里。模型 API 的利润率长期看会被持续压薄，迁移成本低、竞争激烈、开源模型不断冲击，这些都是客观存在的压力。

Agent Infra 的三层架构

然而，仅停留在模型层无法解释 AI 的真正大趋势：AI 正在从「回答问题」走向「接管任务」。过去 AI 主要是问答、写作、搜索工具；Agent 出现后，AI 开始进入客服、销售、研发、运营等岗位的信息工作场景。这意味着 Agent 面对的市场比传统 SaaS 大得多——SaaS 辅助人，而 Agent 替代一部分人的信息工作。因此，从 AI Infra 到 Agent Infra 的演进是必然的。

Context Infra：被忽视的关键拼图

进入 Agent 时代后，AI 基础设施需要一个新的公式：Agent Infra = LLM Infra + Harness Infra + Context Infra。LLM Infra 解决「模型从哪里来」的问题，是整个 AI 的基础能力层。Harness Infra 解决「如何把模型变成稳定可用的 Agent」，包括工具调用、文件读写、任务循环、失败恢复等能力。Codex、Claude Code 是典型的 Harness 产品，开源领域也有 OpenClaw、Hermes 等项目。模型厂商做 Harness 是自然选择，因为模型和 Harness 可以互相优化。但本质上，Harness 是一个工程化很重的领域，长期看大家会越来越趋同。

真正处于空白地带的，是 Context Infra。当使用 Codex、Claude Code、Cursor 这类工具时，一个普遍痛点是：如果一开始没有把背景讲清楚，后面就要不停补充信息。项目背景、业务目标、代码结构、写作风格需要反复介绍，而且换一个 Agent 又要重新讲一遍。这种背景知识不仅是 Memory（记忆），还包括 Know-How（诀窍）。Know-How 不一定来自对话，可能来自会议记录、客户反馈、文档代码，甚至业务系统。Agent 很多时候不是智商不够，而是站在一个信息极度残缺的位置上做判断。这就是所谓的「上下文优势」——人类相对于 Agent 的优势，往往不是推理能力更强，而是知道得更多。

Context Infra 的核心目标是：让 Agent 获得持续、完整、可更新的上下文。它决定了 Agent 理解谁、服务谁、如何个性化。动态 Context 是当前最大的挑战。传统 RAG 适合静态文档，但真实世界是持续变化的——项目每天在变、客户状态每天在变、代码每天在变。Context 是活的，在使用中不断生长。

LLM 决定上限，Context 决定灵魂

Context Infra 的另一个重要特性是网络效应。与模型和 Harness 的即插即用不同，Context 本质上是数据资产，会持续沉淀、变化和升级。用得越久，Agent 越理解你的组织；接入越多，越了解真实业务；反馈越多，越能区分有用信息和噪声。越多人使用，Context 越完整，Agent 越好用，产生的新 Context 又会进一步优化系统。当然，2C 和 2B 会走不同路线：个人用户可能更接受云端 Context（在意方便和体验），但企业 Context 必须本地化——不是一定要用本地算力，而是数据必须掌握在自己手里，因为 Context 本质上就是企业资产。

如有侵权，请联系删除。