本文信息来源：kojo
我一直使用语境引力这个词来描述初创公司在人工智能时代如何建立防御力。它描述了人工智能时代的“粘性”，就像数据引力曾经描述 SaaS 时代的“粘性”一样。
在之前的 SaaS 时代，最终的防御策略是成为记录系统。粘性来自于切换的痛苦。你可能讨厌 Salesforce 的界面，但如果离开，就可能冒着失去整个销售管道的风险。你也许能找到更好的项目管理工具，但要将 Jira 中成千上万条精心跟踪的问题和团队对话迁移过去几乎不可能。切换成本如此之高，以至于你宁愿忍受笨拙的功能多年，也不愿尝试彻底替换。
两大趋势正在削弱数据引力护城河，并为新玩法打开大门：
- 成熟的集成服务商让从记录系统（如 Ampersand、Merge）获取数据变得更加容易
- AI 代理依赖于传统记录系统未能捕捉的新型流程化数据。
数据引力最终正让位于上下文引力。
情境重力是指你在特定领域的标准操作流程（SOP）的深度。它是积累的机构知识：你团队处理边缘案例的细微方式、独特的风格偏好，以及定义公司产出的不成文规则。
这种情境就是新的护城河。它比原始数据更难提取，因为护城河存在于那个每次都能动态组合出正确情境要素的引擎中。哪些 SOP 是相关的？哪些用户偏好适用于这个特定的边缘案例？在类似任务中曾做过哪些历史性修正？
以一个 AI 会计产品为例。当它对客户的运营有原生情境认知时，产品的黏性最强。它知道某位客户总是将来自特定供应商的发票标记为人工审核，因为这些发票经常有账单错误。它知道客户的 CFO 偏好先按项目代码、再按日期汇总费用报表。它还学会了任何超过 1 万美元的交易都会自动向项目经理和财务负责人同时发出警报，并附带特定的消息模板。
这些代理交互将是竞争对手难以复制的。
当我考虑一个产品是否具有高“上下文引力”时，我会看三个方面：
- 它是否是定义工作（SOPs 和代理指令）的地方？ 它是否是用户自然输入其指令、偏好和操作流程的地方？你越能精确捕捉工作应如何完成，就越能更好地利用模型的指令执行能力。
- 它是否是执行工作的地方？ 上下文是在何处与 LLMs 动态组装和编排的？一个有竞争力的产品必须为每种情况整合正确的规则，将其传递给模型，并对返回的结果采取行动。如果这种编排发生在别处，你的产品就只是一个花哨的设置页面。
- 它是否是优化工作的地方？ 当用户纠正模型输出、推翻决策或批准结果时，你的产品必须内置反馈机制。这些反馈有助于你优化上下文层，并加深对该特定客户运营的理解。
我不断回到这个框架，因为它感觉像是数据引力的自然演进。在人工智能时代，最深的护城河将建立在“定义—执行—优化”的循环之上。