今天来聊一个稍微深度一些的话题，你可能已经遇到过这种情况：

让 AI 分析一个行业，它能给你列出一堆趋势；让 AI 评价一个产品，它一定能说出优势、风险和建议；让 AI 写一篇文章，它也能给出结构完整、表达顺滑的内容。

问题是，读完之后你的内心毫无波动。

它没有说错，但也没有真正说出什么有意义的东西。它像一个永远礼貌、永远稳妥、永远站在平均线上说话的人。你得不到判断，只得到一份看起来很完整的整理。

“听君一席话，如听一席话”。

最近我看很多公众号文章都有这种感觉：不是明显的 AI 味，也不说满屏“稳稳地接住你”这种词，但就是读完没留下任何东西。它们最大的问题不是错，但总是给人一种看了等于没看的即视感。整体结构是完整的，实际上却没有一个地方真的改变了你的理解。

当然，这其实不是你的提示词写得不够好，也不是说你的模型差。更根本的问题是：现在的模型逻辑里，AI 默认会回到共识，而深度通常来自非共识。

有人给出了一个很关键的判断：当模型能力跨过某个门槛后，决定 AI 产出质量的主要变量，不再只是模型本身，而是你给它的 Context（上下文）密度。

这篇文章不只讲观点，也给一套可以马上开始的使用方法。

---

一、AI 为什么天然容易说“正确的废话”

LLM（大语言模型）的训练目标，本质上是预测下一个最可能出现的词。

“最可能”意味着什么？意味着它倾向于输出更多人会接受的表达。它会尽量全面、平衡、安全、无争议。再加上 RLHF（基于人类反馈的强化学习）会进一步奖励礼貌、稳妥、低风险的回答，AI 的默认性格就被塑造成了一个“共识机器”。

共识不是坏东西。

如果你完全不了解一个领域，靠着 AI 可以快速把你带到这个领域的平均水平。它能帮你补齐背景知识，列出常见框架，整理已有资料，避免一些低级错误。

但如果你已经在某个领域有经验，问题就出现了：平均水平不再够用。

你要的不是“大家都怎么说”，因为大家都这么说，而是“这件事真正重要的变量是什么”。你要的不是十条风险清单，而是哪一条风险会决定成败。你要的不是信息覆盖，而是判断优先级。

信息从来不稀缺，稀缺的是判断信息的能力。互联网每天生产的垃圾比有用的东西多得多，而有了 AI 的结果让筛选成本不降反升——因为垃圾好像也变得更像模像样了。

很多所谓 Deep Research，其实只是 Wide Research。

它扩大了信息覆盖面，但没有真正形成认知优势。它解决的是“我不知道这些信息”的问题，却没有解决“我应该如何判断这些信息”的问题。

真正的深度不是资料更多，而是筛选资料的标准更清楚。

同样一份行业报告，新手看到的是数据，老手看到的是异常；新手看到的是增长率，老手会追问增长来自渠道红利、产品结构变化，还是统计口径改变。差距不在信息本身，而在判断系统。

AI 缺的正是这个判断系统。

---

二、模型越强，越要重视 Context

过去我们优化 AI 的第一反应通常是：

• 换更强的模型；
• 写更复杂的提示词；
• 加更多工具；
• 让多个 Agent 分工协作。

这些方法当然有用，但它们都在优化同一个维度：模型能力。

问题是，模型能力正在变成一种越来越容易获得的公共资源。你能用 GPT、Claude、Gemini，别人也能用。模型升级会让所有人同时变强，但不会自动让你变得更独特。

真正稀缺的是你的个人上下文。

你过去做过什么判断，哪些判断后来被验证了，哪些判断错了；你更在意速度还是稳定，更在意表达锋利还是安全，更愿意押注结构变化还是短期机会；你在某个行业里反复踩过哪些坑，形成过哪些直觉。

这些东西不是说模型升级了就会自动进入 AI 了。

它们只存在于你的经历、笔记、对话、会议记录、复盘和一次次纠正 AI 的过程中。如果不被系统性记录，它们就会散掉，下次重头再来。

这就是 Context Infrastructure 的核心思想：

不要只把 AI 当成一个更聪明的问答工具，而要把它接入你的长期判断系统。

模型像 CPU，个人上下文像内存。CPU 足够快之后，很多任务的瓶颈不再是算力，而是内存里有没有真正有价值的数据结构。

AI 也是一样。

当模型已经足够聪明，你还只给它几句话背景，它就只能回到训练数据里的平均判断。你要它说出更接近你的判断，就必须把你的判断依据、偏好、原则和历史经验持续提供给它。

换句话说：提示词决定 AI 这一次怎么回答你，Context 决定 AI 长期怎么理解你。 大多数人还在优化前者，少数人已经在建设后者。

举个例子。同样一句"帮我写一段公众号开头"：

裸模型输出：

随着人工智能技术的飞速发展，越来越多的人开始思考如何更好地利用 AI 提升工作效率。今天我们就来聊聊，如何让 AI 真正为你所用。

有个人 Context 的输出：

你让 AI 写了一篇行业分析，读完感觉似乎哪里都对，但好像又都没什么用。问题不是它写得有问题，而是它只会站在所有人都能站的位置上说话。

前者是训练数据里的平均开头，后者是基于"我讨厌泛化背景、要求直接进入具体矛盾"这条个人原则生成的。这个例子可能举得没有那么恰当，但我主要是想表达我的想法：模型一样的情况下，差距是会体现在 Context 里的。

---

三、别人的 Context 不能直接变成你的深度

最近我看到了 grapeot/context-infrastructure 这个项目，觉得还算有意思。它不是又一个“神奇提示词合集”，而是一个把个人判断、经验、偏好、失败教训持续沉淀进 AI 工作流的系统样本。

但这个项目容易被误解。

很多人看到开源项目，第一反应是 clone 下来直接用。

当然可以用，但不能替代你。

它的价值不是里面有几十条公理可以直接复制，而是它展示了一个运行了一年的个人上下文系统长什么样。你可以参考目录结构、记忆分层、技能组织方式、定时任务设计，但不能把作者的判断原则当成自己的判断原则。

因为深度不是格式，深度来自经历被反复压缩之后形成的偏见。

这里的“偏见”不是贬义词。每个真正有“判断力的人类”都会有偏见：偏好什么，讨厌什么，优先相信什么，默认怀疑什么，遇到复杂问题时先看哪个变量。

没有偏见的人，看起来客观，实际上很平庸。

AI 默认追求无偏，结果就是安全但无趣。你要让 AI 变深刻，就要把高质量的偏见注入进去：经过长期经验验证的偏好、判断标准和取舍逻辑。

这件事不能靠一句提示词完成。

比如你对 AI 说：“要写得有深度一点。”它并不知道你所谓的深度是什么。究竟是观点更尖锐、案例更具体、推理链更完整呢？还是能指出行业里大多数人不愿意承认的矛盾？

如果你没有把自己的标准写下来，AI 只能调用大众语料里的“深度感”：多用一堆抽象词，多像模像样地列几个维度，再搞几句辩证表达显得好像有思考。于是文章看起来更成熟，但仍然没有真正的判断。

---

怎么用这个项目：当蓝图，不当答案

grapeot/context-infrastructure 的正确打开方式不是复制，而是拆解。

你可以按这个顺序看：

1. 先看 README.md，理解整体目录和三层结构；
2. 再看 rules/USER.md，把它改成你的个人信息；
3. 看 rules/COMMUNICATION.md，学习如何把沟通偏好写成规则；
4. 看 rules/axioms/，理解公理应该长什么样，但不要照抄内容；
5. 看 rules/skills/，学习如何把某类任务封装成可复用上下文；
6. 最后再研究 periodic_jobs/ai_heartbeat/，决定是否需要自动化。

如果你只是想快速体验：

git clone https://github.com/grapeot/context-infrastructure
cd context-infrastructure

然后用 Claude Code、Cursor 或 OpenCode 打开这个目录，先让 AI 阅读 AGENTS.md 和 rules/USER.md。

但要注意：这个体验只是让你看到"有上下文的 AI"和"裸模型"的差异，不代表它已经变成了你的 AI。真正属于你的系统，必须从你的原始材料开始积累。

---

四、一套可执行的 Context Infrastructure 搭建方法

不需要一开始就搭完整系统。

这套东西看起来有点复杂，又是 L1、L2、L3，又是 Axiom、Skill，但本质上其实就三件事：记录、提炼、调用。

记录，是把你和 AI 的真实互动留下来。尤其是你每一次觉得“不对”“太空”“不像我”的地方，这些不是废稿，而是最有价值的原始材料。

提炼，是从这些原始材料里找出稳定模式。一次不满意可能只是情绪，反复出现的不满意，才可能说明你有一个稳定的判断标准。

调用，是把这些判断标准写成 AI 能读懂、能复用的规则。下次你再让它写文章、做分析、改方案，它不是从零开始猜你想要什么，而是先读取你的偏好和原则。

所以后面的 L1 Observer、L2 Reflector、L3 Axiom、Skill，本质上都围绕这三个动作展开：先记录你真实的判断，再提炼成原则，最后让 AI 在具体任务里调用它。

---

1. 记录：先把你真实的判断留下来

第一步不是写一堆宏大的原则。

很多人一上来就想写“我的价值观”“我的写作风格”“我的判断体系”，最后很容易写成口号。因为人对自己的理解，很多时候是不准的。

你以为自己喜欢“有深度”，但到底什么叫有深度？
是观点更尖锐？是案例更具体？是推理更完整？还是能指出一个大多数人忽略的矛盾？

如果这些东西只靠你凭空总结，很容易写虚。

更靠谱的方法，是先记录真实材料。

如果你用 Obsidian，可以先建一个很小的目录：

AI-Context/
├── 00_Raw/              # 原始材料：对话、会议、文章摘录、决策记录
├── 10_Observations/     # 从原始材料中提取的观察
├── 20_Axioms/           # 稳定判断原则
├── 30_Skills/           # 按任务封装的使用说明
└── USER.md              # 你的基本信息、偏好、禁忌和长期目标

不用一开始就追求完整。第一天只要先写一个 USER.md 就够了。

可以这样写：

# USER

## 我是谁
- 职业/领域：
- 当前最重要的项目：
- 长期关注的问题：

## 我的偏好
- 我喜欢直接、有判断力的回答，不喜欢泛泛而谈。
- 我希望文章先给核心判断，再给论证和方法。
- 我更在意结构清楚和观点有效，不追求辞藻华丽。

## 我的禁忌
- 不要写“随着时代发展”这类空话。
- 不要用没有信息量的排比。
- 没有验证的信息要明确标注不确定。

## 我当前最常使用 AI 做什么
- 写公众号文章
- 做行业资料整理
- 设计产品和内容选题

这一步的作用，是先给 AI 一个稳定的底座。

但真正重要的不是这个文件本身，而是你后面持续往里面补东西。

你可以先收集这些材料：

• 你和 AI 的高质量对话；
• 你纠正 AI 的记录；
• 你对某篇文章、某个产品、某个商业案例的判断；
• 会议纪要和项目复盘；
• 你做选择时的理由；
• 你后来发现自己判断错了的案例。

这里最关键的一类材料，是你对 AI 的纠正。

比如 AI 写了一段：

随着人工智能技术的快速发展，越来越多的人开始关注 AI 在工作和生活中的应用。

你觉得很空，把它删掉了。

这时候不要只删掉。你要顺手记一条观察：

- 观察：我不接受泛化背景式开头。
- 证据：我删除了“随着人工智能技术的快速发展……”这类句子。
- 可能原则：文章开头应该直接进入具体矛盾，而不是交代所有人都知道的背景。
- 置信度：中

这就是最早期的 Observation（观察）。

它还不是原则，只是一个带证据的记录。

但记录多了以后，你会开始看到自己稳定的判断偏好。

你纠正 AI 的每一次，都是在向自己解释自己。 这些解释积累起来，就是你的判断系统。

---

2. 提炼：从反复出现的纠偏里找原则

一条观察不值钱。

重复出现的观察，才值钱。

你今天不喜欢一个开头，可能只是当天心情不好；但如果你连续十次删除“随着时代发展”这种句子，那它就不是情绪了，而是一个稳定的判断标准。

所以第二步，是定期提炼。

你可以每周让 AI 读一遍这一周的 Observations，然后问它：

请阅读我本周记录的 Observations，帮我做一次提炼。

要求：
1. 合并重复出现的观察。
2. 找出跨场景反复出现的稳定偏好。
3. 区分一次性情绪和长期判断标准。
4. 提炼出可以写进 Axioms 的候选原则。
5. 每条原则都要保留证据来源，不要凭空总结。

输出格式：
## 本周稳定模式
## 本周一次性噪声
## 候选原则
## 需要继续观察的问题

这里的筛选标准只有一个：稳定性。

比如你可能会发现：

• 你在写文章时讨厌空话；
• 你在做产品方案时也讨厌为了完整而完整的功能；
• 你在开会时也不喜欢绕半天才说重点；
• 你在改 AI 输出时，总是要求先给判断，再给材料。

这些看起来是不同场景里的小毛病，但背后可能有同一个原则：

信息密度优先于形式完整。
如果一段内容不能改变读者理解，即使它表达正确，也应该删除。

这就可以升级成一条 Axiom（公理）。

Axiom 不是事实记录，而是你的决策原则。

事实是：

我不喜欢空话。

公理是：

当一段内容只是在维持结构完整，却没有提供新的判断、证据或方法时，应当删除或压缩。

两者差别很大。

前者只能让 AI 模仿你的语气，后者能让 AI 接近你的判断方式。

建议每条 Axiom 都用固定格式：

# Axiom：信息密度优先于形式完整

## 原则
当一段内容只是在维持结构完整，却没有提供新的判断、证据或方法时，应当删除或压缩。

## 适用场景
- 公众号文章写作
- 产品方案说明
- 行业分析报告
- 对外汇报材料

## 判断标准
- 这段话是否改变了读者对问题的理解？
- 这段话是否提供了新的证据或变量？
- 删除后，文章是否损失关键逻辑？

## 证据来源
- 2026-05-08_AI写作纠偏.md
- 2026-05-08_公众号选题判断.md

## 反例
如果目标是情绪动员或品牌叙事，可以保留少量节奏性表达，但不能替代判断。

这类内容积累到 10 条以后，AI 的输出会开始发生变化。

因为它不再只知道“你喜欢直接一点”，而是知道你为什么要直接，在哪些情况下必须直接，什么时候又可以不直接。

这才是上下文真正有价值的地方。

它不是帮 AI 记住你的个人信息，而是帮 AI 记住你的判断方式。

---

3. 调用：让 AI 在具体任务里使用这些原则

光有原则还不够。

如果你只是把一堆 Axiom 放在文件夹里，但每次写文章、做分析、改方案时都不让 AI 读取，那这些原则还是死的。

所以第三步，是把原则封装成 Skill（技能）。

Axiom 是原则，Skill 是使用说明。

一个 Skill 对应一类高频任务，比如：

• 公众号文章写作；
• 行业研究；
• 产品方案评审；
• AI 对话复盘；
• 商业案例分析。

以“公众号文章写作”为例，可以这样写：

# Skill：公众号文章写作

## 什么时候使用
当用户要求写公众号文章、选题大纲、文章改稿时使用。

## 核心目标
不是把资料整理完整，而是提出一个能改变读者理解的核心判断。

## 必须遵守的原则
1. 开头直接进入真实问题，不写宏大背景。
2. 每篇文章只能有一个主判断，不要同时讲太多观点。
3. 先解释“为什么多数人会误判”，再给新框架。
4. 方法部分必须具体到用户今天可以执行。
5. 删除正确但没有信息增量的段落。

## 常用结构
1. 读者熟悉的痛点
2. 对痛点的重新解释
3. 底层原因
4. 一个可执行框架
5. 具体操作步骤
6. 最后的判断

## 不要这样写
- 不要用“在这个快速变化的时代”开头。
- 不要只列清单，不给优先级。
- 不要用抽象词替代具体动作。

以后你让 AI 写公众号文章时，不要只说：

帮我写一篇有深度的文章。

这句话太抽象了。AI 不知道你说的“深度”到底是什么。

你应该这样说：

请使用《公众号文章写作》这个 Skill，并参考我的 Axioms，基于以下材料写一篇公众号文章。

要求：
1. 先给一个有判断力的标题。
2. 文章必须解释为什么普通 AI 输出容易停留在共识。
3. 方法部分要具体到我今天可以怎么搭建自己的 Context Infrastructure。
4. 不要写泛泛的趋势判断。

这时 AI 的输出质量会更稳定。

因为它不是在临时猜你想要什么，而是在调用你提前沉淀下来的判断标准。

更重要的是，这套系统不是一次性搭完就结束了。

每次 AI 写得不好，你都可以把这次纠正记录下来：

- 这次 AI 哪里写得不对？
- 我为什么觉得它不对？
- 我希望它按什么标准改？
- 这是不是我反复出现的判断偏好？

如果类似纠正反复出现，就把它升级成 Axiom，或者写进对应 Skill。

这样，每一次不满意都不只是一次返工，而是在更新你的个人上下文系统。

到最后，AI 不只是知道你的语气，而是逐渐知道你怎么判断、怎么取舍、怎么定义一篇文章到底有没有价值。

别人的 AI 是通用助手，你的 AI 是带着你十年经验的合伙人。 差距不在模型，在喂进去的东西。

---

写在最后

所以如果你今天只想做一件事，不要再去收藏新的提示词。

从下一次纠正 AI 开始，记录你为什么不满意。

不要只写“重写”“不够深”“太 AI 了”，而是写清楚三件事：

• 这段话到底哪里不对？
• 我希望它按什么标准改？
• 这个标准是不是反复出现？

这件事看起来很小，但它才是训练个人 AI 的起点。

因为真正的问题不是 AI 不够聪明，而是它不知道你怎么判断。你不把自己的判断过程记录下来，它就只能永远调用大众语料里的平均答案。

当所有人都能用同样的模型时，真正拉开差距的，不是谁更会写提示词，而是谁更早把自己的判断沉淀下来。

同质化的世界里怎么找寻你自身的不可或缺性？

AI 时代更新迭代日新月异，提示词会过期，模型会更新，工具会替换。

但你长期沉淀下来的判断、偏见和品味，一定会变成你的 AI 最难被复制的部分。