自大语言模型出现以来，所有的从业者本质上都在解决两个问题：
1. 提升模型的智能水平 2. 为模型提供上下文
场景创新、工程优化本质上都是在解决如何更优雅的给模型提供“上下文”的问题。
• Prompt Engineering 是上下文，“工程”的那部分就是背景信息表达的优化； • RAG 是上下文，把检索自你私有知识库的文本片段用来Augmentation问题； • DeepResearch 是上下文，把来自网络的各种文章加工到“研究需求”里； • MCP 是上下文，无需解释，其中的 C 就是； • Agent 是上下文，dify、Coze 也都是上下文……
提示词只是“需求激活器”，模型被激活后能不能把活干漂亮，取决于你提供了什么背景信息给它。
没能用好 AI 的那些“普通人”，一方面是想不到可以用 AI（场景问题），更重要的另一方面是给 AI 下达指令的时候信息给的不全（工程问题）。
类似“为我写一个爆款文案”这样的指令，就是典型的上下文“0添加”式表达。
本质上，所有 AI-Native 产品，都在做下面这件事：
拼来拼去，争的都是是场景创意和工程实现。
想要提升这两个方面的竞争力，做好下面两件事就够了：
1. 每天都刷一下 Product Hount TOP100 的打榜产品，当下 90% 以上都是 AI 在各种奇奇怪怪场景的应用； 2. 每天都刷一下 GItHub Trending 的开源项目，当下 80% 以上都是各种 AI 产品开发的工程实现。
真正核心的，是你在某个场景下，如何拿到用户通过 AI 解决问题需求的「上下文」，并恰到好处的帮用户提供给 AI。
本周 Product Hount TOP1 的产品，是前网易副总裁创业开发的 AI Native 笔记工具 Remio
这笔记工具有一个很“刺激”的功能：安装了浏览器插件以后，你在浏览器上打开的所有网页，它都会默默帮你采集下来以后，同步到笔记 APP……
虽然很吓人，但是不失为一个非常好的用户上下文记录、同步和模型供给的方式。
前几天，被 OpenAI 投资过的团队 mem0AI 开源了一个叫 OpenMemory 的 MCP 服务，它的核心价值是实现多 AI 应用之间的记忆共享（通过 MCP）。
你在 Claude 客户端上发过的消息，会被总结后存下来。等你再去 Cursor 里下达指令时，AI 可以从之前 Claude 里存的“记忆”里提取出相关的内容，放在上下文里。
这个场景我在很早以前的一次直播里有提过：谁能帮用户收集信息，在他们没想起来的时候自动补齐到对话里，谁就能够得到用户。
OpenMemory 并没有要用户的“上下文”，而是选择了存在用户本地。
但对更广泛的大众来说，方便比隐私更重要，毕竟不是所有人都会且愿意自己部署这么一套东西。
大模型的技术特征决定了「上下文」补齐是用好 AI 的必选项：更全面、完善的输入 = 更优质、更符合意图的输出。
只要大模型的这个技术特征不变，你接下来做的所有事情，归根到底都是更无感丝滑、稳定准确的帮用户补齐上下文。
认清楚了这个本质，很多创意的产品化，就变得很简单了。
