AI应用的三层结构

2025年AI发展深度解析，从"快速回答"到"深度思考"的范式转变。 这两年AI行业热闹非凡，模型迭代的速度，几乎比大家换手机还快。但一个挺有意思的现象是：模型能力的提升，似乎并没完全兑现到实际的应用价值上。更关键的是，这种能力提升本身，性质正在发生根本变化。 从GPT-4到Claude 3.5 Sonnet，从OpenAI的o1到最新的o3，再到DeepSeek的R1，我们看到的不仅仅是参数规模的增长，而是一场更深刻的转变——AI正在从“快速回答”转向“深度思考”。这些新模型不再是拼命追求更快的响应，而是愿意花更多时间去推理、反思。 但即便如此，真正能融入日常工作、改变工作方式的AI应用，依然屈指可数。这个落差很值得琢磨：**问题到底出在哪里？**

## 重新理解AI应用的本质 当前，一个成熟的AI应用正在形成一种明确的三层结构：**思考层（模型）、语境层（Context）、行动层（环境）**。决定应用成败的关键，不是模型有多强，而是这三层能否有机结合。 说是这么说，那具体怎么理解？ 可以这样看：当前的LLM或MLLM，本质上是一个“思考引擎”，它处于结构的核心层。这里特意用了“思考”而不是“推理”。这个区别很重要。推理更像是从A到B的逻辑推导，而思考包含了更丰富的过程：提出假设、自我质疑、多角度分析、迭代优化。o1和R1这类模型的出现，正是这种转变的标志。 但仅有思考是不够的。就像一个思想深邃的学者，如果缺乏对世界的理解（语境层），没有影响世界的手段（行动层），他的智慧就无法转化为现实价值。所以，我们需要围绕模型构建完整的“工作空间”（Work Space）。 **一个真正有效的AI应用，需要这三个层次的有机结合：** **第一，强大的思考引擎（思考层）。** 这不仅是基础，更定义了AI能力的上限。从Claude 3.5 Sonnet在编程任务上的卓越表现，到o1在数学和科学推理上的突破，再到o3在ARC-AGI测试上以87.5%的成绩超越人类平均水平，这些都在告诉我们，AI的思考深度在不断突破。 **第二，充分的语境（语境层）。** 这就像人类需要知识和经验才能做出正确判断一样。没有context的模型，像一个失忆的天才，空有能力却无从发挥。 **第三，能够充分行动的数字环境（行动层）。** 思考的目的是为了行动，如果模型只能“想”而不能“做”，它永远只是一个哲学家，而不是实干家。 这三层关系，就好比人类的大脑、感知和身体。只有当它们协同工作时，才能完成真正的“工作”。而我们称之为Work Space的，正是这个完整的三层结构。 ## 思考模型的崛起改变了什么 2024年末到2025年初，AI领域发生了一个重要转变：从追求更快的响应，转向追求更深的思考。 OpenAI的o1模型第一次向世界展示了“慢思考”的价值。它不急于给出答案，而是会花时间推理、验证、反思。在国际数学奥林匹克竞赛题目上，o1的表现甚至超过了许多人类选手。 紧随其后的o3更进一步，在ARC-AGI这个被认为是AGI试金石的测试中，以87.5%的成绩超越了人类平均水平（80%）。而DeepSeek的R1则展示了开源社区在思考模型上的追赶能力，通过强化学习实现了包括自我验证、反思和生成长链思考在内的深度推理能力。 **这些模型的成功传递出一个重要信息：AI的价值不在于它能多快地回答，而在于它能多深入地思考。** 但这同时带来了新的挑战。当AI需要花费几分钟甚至更长时间来思考一个问题时，传统的对话式交互就显得力不从心了。我们需要新的交互范式，需要能支撑长时间思考和复杂任务执行的环境。这正是Work Space理念的价值所在。 用个具体的例子来说明：假设你是一位律师，需要为客户准备一份合同。 **在传统的AI助手模式下，你可能会这样操作：**

“帮我起草一份软件开发合同” → AI生成一个模板 → “加入知识产权条款” → AI修改 → “调整付款方式” → AI再修改...

这个过程繁琐且容易出错。更重要的是，AI缺乏对整个项目的理解，每次修改都是局部的、割裂的。 **而在工作空间模式下，情况完全不同。AI能够：** * 访问公司的合同模板库和历史案例 * 了解客户的特殊需求和过往沟通记录 * 参考相关的法律法规和最新判例 * 在修改时保持整体的一致性和专业性 * 自动生成相关的附件和说明文档 这不再是简单的对话，而是在一个完整的工作环境中协作。**AI从一个“回答者”变成了一个“同事”。** ## Context：被严重低估的护城河 过去一年，大家都在关注模型能力的提升。但真正决定AI应用成败的，其实是Context的构建和管理。 Context不仅仅是给模型的提示词或背景信息。**它是一个多层次、动态演化的知识体系。** 想象一下，一个经验丰富的程序员在编写代码时，他的“context”包括什么？ **首先是即时的上下文：** 他正在解决的具体问题，相关的代码片段，刚才的调试结果。这是最表层的context。 **然后是项目级别的上下文：** 整个代码库的架构，团队的编码规范，项目的技术栈选择，已知的技术债务。 **再往上是组织级别的上下文：** 公司的技术战略，团队成员的能力模型，历史项目的经验教训。 **最后是行业级别的上下文：** 编程语言的最佳实践，开源社区的解决方案，技术发展的趋势。 一个优秀的AI编程助手，需要在所有这些层次上都能有效地管理和利用context。这就是为什么Cursor能够如此成功——它不只是一个代码补全工具，而是真正理解了程序员工作的context结构。 **值得注意的是，这样的Context层次，不仅仅在编程领域，在所有的工作领域都存在。** ## 为什么AI编程是最完美的应用场景 如果要选出目前最成功的AI应用领域，无疑是编程。Cursor、GitHub Copilot、Replit等产品不仅获得了用户的认可，更重要的是真正提升了程序员的生产力。 这不是偶然的。编程领域有几个独特的优势： **1. 代码本身就是最好的Context。** 不同于自然语言的模糊性，代码是精确的、结构化的。函数签名告诉你输入输出，类型系统定义了数据结构，测试用例明确了预期行为。这些都是高质量的context，能够支撑AI进行深度思考。 **2. 开发环境天然就是一个完整的工作空间。** IDE不只是一个文本编辑器，它包含了编译器、调试器、版本控制、包管理器等一整套工具。AI可以无缝地融入这个环境，进行长时间的思考和迭代。 **3. 结果的可验证性提供了即时反馈。** 代码能不能运行，测试能不能通过，这些都是客观的、可验证的。这种即时反馈对于AI的思考过程至关重要——它可以不断验证自己的假设，调整思考方向。 **4. 开源社区提供了海量的训练数据。** GitHub上的数十亿行代码，Stack Overflow上的问答，技术博客和文档，这些都是公开可用的高质量数据。 具体看看Cursor是如何利用这些优势的。当你在Cursor中编程时，它能够：

**理解你的整个代码库**，而不只是当前文件。它知道你定义的每个函数、每个类，理解它们之间的依赖关系。

**根据你的编码风格学习**。如果你习惯使用某种命名规范或设计模式，Cursor会遵循这些习惯。

**预测你的意图**。基于当前的代码上下文和你的历史行为，Cursor能够猜到你接下来要做什么。

**提供超越代码补全的帮助**。它可以解释复杂的代码，建议重构方案，甚至帮你调试错误。

这种深度的集成和理解，正是Work Space理念的体现。 ## 成功的AI应用都在构建自己的Context优势 看看其他领域的成功案例。 ### Lovable.dev：重新定义应用开发 Lovable.dev展示了另一种可能性。这家瑞典创业公司不满足于在现有的开发流程中做增强，而是重新定义了应用开发的方式。**截至2025年2月，Lovable已经拥有50万用户，每天创建超过25,000个新产品，年收入达到1700万美元。** Lovable的独特之处在于它构建了一个完整的开发环境，而不仅仅是代码生成工具。在Lovable中，你用自然语言描述想要的功能，AI直接生成可运行的React应用，包括前端UI、状态管理、路由配置等完整架构。平台支持Supabase数据库集成用于数据持久化，支持GitHub同步进行版本控制，真正实现了从想法到产品的无缝转换。 这需要对前端开发的完整context有深入理解：组件库的使用模式、Tailwind的样式系统、React的状态管理、现代Web应用的架构模式。创始人Anton Osika（前Depict.ai联合创始人）的愿景是让那99%不会编程的人也能获得一个AI软件工程师。从产品的快速增长来看，这个愿景正在变为现实。 ### Harvey AI：法律领域的Work Space先驱 Harvey AI在法律领域的成功也印证了这一点。这家由前律师Winston Weinberg和前DeepMind研究员Gabriel Pereyra于2022年创立的公司，在短短三年内就达到了惊人的增长。**2025年5月，Harvey的估值已达50亿美元，年化收入达到7500万美元。** Harvey的成功秘诀在于它深刻理解法律工作的Context结构。法律工作天然需要大量的context：相关法条、历史判例、客户背景、行业惯例。Harvey不只是一个法律问答机器人，而是构建了一个完整的法律工作环境。**在最新的法律AI基准测试中，Harvey Assistant在6项任务中的5项获得最高分，包括在文档问答中达到94.8%的准确率，在4项任务中超越了人类律师的表现。** 更重要的是，Harvey的扩张策略展示了Work Space理念的商业价值。它不仅服务于Allen & Overy、Macfarlanes等顶级律所，还通过与PwC等咨询公司的战略合作，以及直接向大型企业的法务部门销售，构建了多层次的市场覆盖。这种从专业律所到企业法务的扩张路径，正是因为Harvey理解了不同场景下的Context需求差异。 **这些成功的应用都有一个共同特点：它们不是通用的AI助手，而是深深扎根于特定领域，构建了该领域特有的context管理能力。** ## SaaS公司的独特优势 这就引出了一个重要观察：传统的SaaS公司在AI时代可能拥有独特的优势。 为什么？**因为SaaS公司已经在各自的领域积累了大量的context和环境基础设施。** 以Salesforce为例。它不仅有CRM系统本身，更重要的是积累了企业销售流程的最佳实践、客户互动的模式、销售预测的方法论。这些都是宝贵的context。当Salesforce推出Einstein AI时，它可以立即利用这些积累。 类似的例子还有很多：

**Figma** 积累了设计系统的结构化表达、组件复用的模式、设计协作的工作流。这些为AI辅助设计提供了完美的context。

**Notion** 理解了知识管理的层次结构、不同类型信息的组织方式、团队协作的模式。

**Slack** 掌握了团队沟通的模式、信息流转的路径、决策形成的过程。

这些SaaS公司不需要从零开始构建AI应用，他们已经有了环境，已经有了数据，已经有了用户的工作流。他们需要做的，是把AI能力有机地融入到现有的系统中。 **这可能是AI应用竞争格局的一个重要变量：拥有领域context和环境的公司，比拥有模型技术的公司更有优势。** ## 构建Work Space的技术挑战 理念很美好，但实现起来充满挑战。构建一个有效的Work Space需要解决许多技术问题。 **Context的动态管理是第一个挑战。** 在一个真实的工作环境中，context是不断变化的。新的代码被提交，新的文档被创建，新的决策被做出。如何让AI始终保持对最新context的理解？如何决定哪些历史context依然相关？如何在context的完整性和处理效率之间找到平衡？ **执行的可靠性是另一个关键问题。** 当AI不只是生成文本，而是要执行实际操作时，错误的代价就大大提高了。如何确保AI的操作是安全的？如何实现细粒度的权限控制？如何在AI犯错时快速回滚？ **个性化和泛化的平衡也很重要。** 每个用户、每个团队都有自己的工作方式。AI需要学习这些个性化的模式，但又不能过度拟合。如何在保持通用能力的同时，又能适应特定的工作风格？ **隐私和安全更是不能忽视的。** Work Space中包含了大量敏感信息：代码、文档、客户数据。如何保护这些信息？如何确保AI不会无意中泄露机密？如何让用户信任AI？ 这些挑战都不简单，但正是这些挑战构成了竞争壁垒。**谁能更好地解决这些问题，谁就能在AI应用的竞争中胜出。** ## 对创业的启示 基于以上的分析，可以给AI应用领域的创业者几点建议。 **第一，不要再做通用助手了。** 这个赛道已经被OpenAI、Anthropic、Google等巨头占据。更重要的是，通用助手很难深入到具体的工作场景中，很难构建深度的context，通用助手还是更加像模型能力的"展示空间"。 **第二，选择一个深刻理解的垂直领域。** 不要因为AI技术很酷就去做AI应用。先问问自己：你真的理解目标用户的工作流程吗？你知道他们的痛点在哪里吗？你能设计出比现有方案好10倍的产品吗？ **第三，Context的积累是真正的护城河。** 技术可以被复制，模型可以被替换，但高质量的领域context需要时间和经验来积累。这应该是你的核心资产。 **第四，从完整的工作流出发思考产品。** 不要只是在现有工具上加一个AI按钮。要重新思考：如果AI从一开始就参与到这个工作中，整个流程会是什么样子？ **第五，拥抱激进的产品形态。** AI带来的不是渐进式改进，而是范式转换。不要被现有的工具形态限制了想象力。 ## 展望未来：人机协作的新范式 当我们把视角拉长到未来3-5年，可以预见几个重要趋势。 **Work Space会成为AI应用的主流形态。** 就像今天每个知识工作者都离不开Office软件一样，未来每个人都会有自己的AI Work Space。这些Work Space不是被动的工具，而是主动的合作伙伴。 **行业会出现新的领导者。** 那些最早理解并实践Work Space理念的公司，有机会碘伏现有的市场格局。Cursor在开发工具领域的成功只是一个开始。 **工作方式会发生根本改变。** 当AI能够处理大部分执行层面的工作时，人类的角色会更多地转向创意、决策和关系维护。这需要我们重新思考教育、培训和职业发展。 **新的社会问题会出现。** 当AI深度参与到工作中时，责任如何划分？成果如何归属？这些都需要我们认真思考和解决。 ## 结语 回到文章开头的问题：为什么模型能力的提升没有带来相应的应用价值？ 关键答案在于：**因为我们还在用旧的思维方式使用新的技术。我们把AI当作一个更聪明的搜索引擎，而不是一个可以培养的数字同事。** 真正的突破在于认识到：AI应用的价值不在于模型有多强大，而在于它能多深入地融入到实际工作中。这需要的不仅是技术，更需要对工作本质的理解，对context的精心构建，对用户需求的深刻洞察。 当我们停止追逐更大的模型、更长的context窗口、更快的推理速度，开始关注如何构建更好的工作环境、如何积累更有价值的context、如何设计更自然的协作方式时，AI应用的春天才真正到来。 **从推理引擎到工作空间，这不只是产品形态的演化，更是我们理解和使用AI方式的根本转变。而这个转变，正在发生。** 写于2025年5月