# 壁垒在上下文，不在模型 Source: https://view.inews.qq.com/a/20260327A072R600?devid=2EE6E65B-1392-4043-B637-324DCFD0A1DE&qimei=2fba71fa46984923ea1fb74700001501a202&uid=100145992529 --- 今天，特赞科技正式发布了企业级智能体系统 GEA（Generative Enterprise Agent），同时推出了自研的发散推理模型 Creative Reasoning Model 和企业上下文系统 Context System。 GEA 发布会一句话概括这件事的核心判断：模型能力可以被快速复制，但企业上下文不可复制。这句话，值得多想一会儿。 ## 模型像电 特赞创始人范凌在发布会上打了个比方： 模型是公共基础设施，就像电力。没有企业会因为「我们公司用的电更好」而赢得市场。 GPT、Claude、Gemini、DeepSeek、通义千问，你能用，你的竞争对手也能用。 过去两年 AI 进步确实快，新模型不断涌现，能力不断提升。 写一篇文案，生成一张图片，做一份分析……这些事情已经变得很容易了。 但如果把视角拉到企业真正在做的工作，会发现一个尴尬的事实：AI 可以做很多事，但企业真正的工作方式，并没有改变。 理解市场、定义产品、研究用户、制定策略、推动增长，这些事情很少是一个 prompt 就能完成的。它们需要大量信息、复杂判断，以及不同角色之间的协作。 全球 AI 投资在 2025 年已经达到了 6,840 亿美元，但其中 80% 以上的投资未能交付预期价值。换句话说，大多数企业花了钱买了一堆 AI 工具，结果发现日常工作还是老样子。 ## 壁垒在哪 那什么才是壁垒呢？ 范凌的答案是：Context，上下文。 模型产生智能，上下文产生价值。同一个模型，给它公开信息，它给你一个通用答案。给它你企业独有的上下文，它给你一个只有你能得到的答案。 这个逻辑其实跟吴恩达最近在做的事情不谋而合。今年 3 月初，吴恩达发布了 Context Hub 开源工具，核心就是为了解决 Agent 的上下文管理问题。 a16z 也发文指出：「没有 Context 的 Data Agent 基本是没用的。」 行业的共识已经在形成：模型趋同之后，企业真正的 AI 壁垒，来自于自己积累的上下文资产。 品牌调性、历史决策逻辑、用户画像、项目经验、业务规则……这些东西，每家企业都不一样，也没法从公开数据里学来。 ## GEA 长什么样 说回 GEA 本身。它的架构分四层，范凌用了四个比喻来解释： GEA 四层核心架构意图层（Intent），这是起点。你不用告诉 GEA 该怎么做，只需要告诉它你想要什么。「帮我找到下一个季度东南亚市场的增长机会」，「基于上个月的用户反馈，优化产品定位」，一个商业目标，不是一个 prompt。 编排层（Orchestration），这是 GEA 的大脑。由 Creative Reasoning Model 驱动，负责把意图拆解成多条可能的执行路径，再把每个子任务分配给最合适的模型去完成。它能协调 30 多个不同的基础模型。 范凌说了一句话我印象比较深：「它是指挥，不是独奏。」 智能体层（Proactive Agent + Agent Skills），这是 GEA 的手和脚。这里有超过 400 个技能模块，从内容生成到数据分析，从审核合规到创意评估。还有通过 MCP / APIs 与外部系统的连接。 上下文层（Context System），这是 GEA 的记忆。品牌、素材、项目、人设、商品、话术、案例，企业所有的上下文都存在这里。它是横向的统一来源，贯穿每一个 Agent、每一条工作流、每一个部门。 范凌说： 没有这一层，上面所有的智能都是空中楼阁。有了这一层，GEA 才是一个真正懂你企业的系统。 GEA 典型业务场景 ## 先发散再收敛 GEA 架构里有一个值得单独拿出来聊的东西：Creative Reasoning Model，发散推理模型。 这算是全球首个以「发散优先」为设计原则的推理系统，已经完成了国家大模型备案。 传统推理模型面对复杂问题，思路是一步步收敛，直到找到那个「唯一正确的答案」。这在数学题和代码上没问题。 收敛推理 vs 发散推理但商业问题不存在最优解。 范凌举了个例子：假设你是消费品牌 CMO，想做一次新品上市的传播策略。用常规推理模型，它会基于历史数据和最佳实践，给你一个「最优方案」。合理，安全，也……平庸得不能再平庸。 但 Creative Reasoning Model 会先把可能性铺开：如果不做传统广告呢？如果目标人群不是你以为的那群人呢？如果竞品的策略本身就基于一个错误的假设呢？ 先发散，再收敛。先穷尽可能性，再找到那个最有价值的路径。 怎么训练出来的呢？特赞把平台上真正做过商业决策的专家，策略顾问、创意总监、品牌专家、市场研究员聚集起来，让他们标注的不是答案的对错，是思考路径的价值：哪些方向值得探索，哪些可能性最容易被忽略，哪些假设本身就需要被质疑。 这个训练思路确实跟大多数推理模型走了一条不同的路。 Creative Reasoning Model 多路径推理链路 ## 你休息，它干活 GEA 里还有个关键角色叫 GEA Claw，也就是主动执行层。 传统 AI 工具是 Copilot 模式：你提问题，它给答案，任务结束。 Copilot vs Proactive AgentGEA Claw 是 Proactive Agent 模式：它不等你提问，而是主动监测、主动发现、主动行动。 发现数据异常了，它主动提醒你。发现竞品有新动作了，它当天就生成分析报告推送给你的团队。发现执行偏差了，它自动调整方案。 每周一，上周所有活动的复盘报告已经准备好了。新品上市前，素材合规和品牌一致性检查已经完毕。 无需人工触发，无需反复跟进。Agent 按既定节奏，7 × 24 持续运转。 GEA Claw 主动执行层而且 GEA Claw 不是一次性执行系统，它有长期记忆、跨任务迁移和经验沉淀的能力。用范凌的话说，是从「一次性智能」变成了「可积累的智能」。 ## 巧克力的故事 说到这里，其实还是有点抽象。发布会上有一个用户研究的 Demo 场景，倒是把这套架构讲得比较具体。 一家全球食品公司，想为农历新年开发一款新的巧克力产品概念。 团队很快发现，这个问题的关键不在口味、成分、包装。节日礼赠产品，卖的其实是情绪、关系和身份。 企业真正想理解的是：消费者为什么会做出某些选择。 传统用户研究的做法大家都知道：调研，访谈，用户测试。样本有限，周期很长，也很难反复验证。企业能看到用户在做什么，却很难理解用户为什么这么做。 在 GEA 的架构下，系统会先用 Memory Builder 把企业已有的访谈记录、用户表达、历史研究沉淀为用户模型，再构建出 AI Persona。 Memory Builder 沉淀用户研究数据这些 Persona 不是简单的人群标签，是基于真实数据形成的用户模型。团队可以直接跟这些 Persona 对话，去理解他们为什么购买、为什么犹豫、为什么拒绝某些产品。 AI Persona 对话界面更进一步，系统可以组织一场 AI Panel 讨论，让多个不同背景的 Persona 围绕一个产品概念进行讨论，分析他们的决策逻辑、判断冲突和关键影响因素。 企业得到的不再是一次性的调研报告，是一组可以持续互动、持续更新的用户模型。 在整个过程中，所有信息都会进入 Context System，成为后续研究可以持续调用的用户资产。 ## 上下文系统 既然上下文这么重要，Context System 到底是什么呢？ 简单来说，它脱胎于特赞做了多年的 DAM（数字资产管理）系统。DAM 是企业内容的「唯一真相来源」，管理的是企业最丰富、也最难被机器理解的非结构化数据：图片、文案、视频、3D 模型。 AI 时代释放了一种以前不存在的能力：对非结构化数据的处理。 过去，一张图片就是一堆像素，一段视频就是一条时间线。机器能存储它们，但不能真正理解它们。 现在机器能读懂一张海报背后的品牌调性，能理解一段视频里的用户情绪，能从一百份项目文档里提炼出决策逻辑。 范凌称之为： 非结构化数据从「被存储的文件」变成「被理解的上下文」。 Context System 在这个基础上做了几件关键的事：自动构建企业上下文（内容进入系统的那一刻就自动识别、标注、构建语义关系），企业级权限控制（谁能看什么、谁能调用什么，有清晰的边界），以及上下文压缩与渐进式披露（模型只看到它真正需要的部分，该给的给，不该给的不给）。 它还内置了 Contextual Retrieval，可以理解为一个属于你自己企业的 Perplexity。它不从互联网搜索，而是从你的品牌资产、历史素材、项目文档、内部知识里检索和回答。 ## 三个阵地 范凌在发布会结尾提到，企业进入 Agentic AI 时代，有三个阵地正在被重新定义。 围绕这三个阵地，特赞形成了三类服务： 技术阵地，提供 GEA 企业级智能体系统。 业务阵地，提供 AI Fullstack（全栈 AI），通过专业团队和 GEA 的结合，把 AI 嵌入真实业务流程，持续交付可验证的业务结果。 组织阵地，提供 ABC+（AI Builders & Creators +）人才和组织升级体系，研发了几十门课程，帮企业建立能使用、理解并持续演进 AI 的组织能力。 特赞三类核心服务目前 GEA 已在全球超过 180 家企业客户中部署，其中包括 60 余家世界 500 强企业。 ## 写在最后 AI Agent 市场正在以惊人的速度增长。2025 年全球市场规模约 76 亿美元，2026 年预计达到 109 亿，到 2033 年，这个数字将膨胀到 1,830 亿美元。 在这条赛道上，Sierra 做客服、Harvey 做法律、Glean 做企业搜索，各有各的垂直切入点。特赞的差异化在于，它长期深耕企业内容和品牌场景，天然积累了对非结构化数据的处理能力，从 DAM 走到了 Context System，再从 Context System 走到了 GEA。 这条路径不是凭空冒出来的，是多年积累的自然延伸。 范凌在发布会上说了一句话，算是对 GEA 的定义： 过去十年，企业买的是软件。过去三年，企业试的是模型。从今天开始，企业需要的，是一个从意图出发、理解你的上下文、拥有判断力、并且持续进化的智能系统。 企业 AI 的竞争焦点，正在从模型能力， 转向上下文能力。 谁拥有更好的 Context System，谁就拥有更强的智能体。