在应用和落地层面，大模型竞争将从单纯的“模型能力竞争”，逐渐转向“模型能力 × 上下文完整度”的竞争。
今天的大模型主要存在两类“上下文断裂”。
- 横向断裂
第一类是跨模型、跨平台的横向断裂。一个人在 ChatGPT 里讨论工作，在另一款模型里查询生活问题，在企业智能体里处理项目，在搜索引擎里留下兴趣轨迹。每个平台只看到一个局部的“你”，所以模型虽然越来越聪明，却始终需要用户反复解释背景、偏好和已经做过的工作（真的很频繁，尤其是高频使用大模型时）。
未来更合理的形态，不是让某一个模型垄断所有信息，而是建立一个由用户控制的“个人上下文层”：统一保存用户的长期偏好、项目经历、已有文件、历史决策和任务进度，并允许不同模型按权限读取。此时模型可以替换，但“对你的理解”能够延续。
- 纵向断裂
第二类是跨场景、跨模态的纵向断裂。人的大量真实活动并没有通过对话告诉模型，例如看过什么资料、修改过哪些文件、参加了什么会议、手机上正在处理什么事情，以及图片、语音、位置、日程和设备状态等。
未来大模型可能从“等用户主动描述问题”，转向在用户授权下持续感知工作和生活环境，把邮件、文件、浏览记录、会议、设备状态和现实活动组织成连续上下文。它不只是回答“你问了什么”，还能够理解“你现在处于什么状态、此前做过什么、接下来可能要完成什么”。
大模型走向应用和落地的发展方向
- 更强的大脑：提升通用推理、规划和行动能力。
- 更完整的记忆：统一分散在不同模型、应用和设备中的长期上下文。
- 更广泛的感知：获取对话之外的文件、行为、环境和多模态信息。
一个由用户掌控的“个人上下文基础设施”
上下文并非越多越好。人的“全貌”本身也不是一个静态档案，同一个人在工作、家庭、消费和公共表达中会呈现不同侧面。如果把所有信息无差别混合，既容易侵犯隐私，也可能让模型产生错误联想。真正先进的系统应该做到的不是“知道你的一切”，而是在正确的时间，经你授权，调用与当前目标相关的那部分你。
这其中涉及到多种技术的发展。
相关Startup
路线 代表公司/产品 已实现能力 主要局限
大模型平台内的个人记忆 OpenAI、Google、Anthropic 记住历史对话、偏好、文件和连接应用 上下文仍主要锁在各自平台
跨模型的独立记忆层 Mem0、Zep、Supermemory、Letta 为不同模型和Agent提供统一、持久的用户记忆 面向开发者和企业
工作行为持续采集 Pieces、Microsoft Recall 获取浏览、文件、代码、屏幕等对话之外的信息 隐私、噪声过滤和权限管理难度较大
现实世界多模态感知 Gemini Live、Apple Intelligence、Meta AI眼镜 摄像头、屏幕、语音、应用状态和环境感知 多数只能实时感知，尚未形成完整、连续的个人记忆