Context System：AI 记住的，不只是你说的话

用过通用 AI 工具做企业内容的人，都遇到过同一个问题：你告诉它品牌的调性、限制、历史风格，它在这次对话里记住了。下次打开，归零。

这不是模型能力不够，是架构设计问题。通用 AI 是无状态的——对话结束，上下文清空。对个人用户来说，这勉强够用；对企业来说，这是根本性的缺陷。一个连你是谁都不知道的 AI，没办法真正帮你做品牌内容。每次使用都在解释同样的背景，是一个低效的结构性问题，不是使用习惯问题。

Context System 解决的是这个底层问题：让 AI 持续地「记住」一个品牌，并在每次任务中调用这份记忆。

它存储的内容分四类：品牌资产（视觉规范、语言风格、产品信息、历史内容）、业务规则（什么可以说，什么不能说，什么需要特定表达方式）、历史判断（过去哪类内容有效，有效的共同规律是什么）、外部信号（市场动态、竞品变化、用户反馈）。

这些不是放在一个文档里供 AI 临时读取的配置文件。它们是结构化存储在知识图谱里，可以被 Agent 在推理时动态检索和组合的。当一个 Agent 在执行内容创作任务时，它不是「读一遍所有文档」，而是「精准调取和这次任务相关的上下文子集」——相关性越强的信息权重越高，不相关的不进入推理范围。

和 RAG 的区别值得说清楚，因为两者经常被混淆。

RAG（检索增强生成）解决的是「生成时检索相关文档」的问题，关注的是检索准确性。Context System 是更上层的问题：品牌的知识如何被结构化组织、哪类信息应该持久化存储、权限如何管理、历史判断如何沉淀、每次任务应该调用哪些上下文的组合。

一个类比：RAG 是图书馆的检索系统，Context System 是图书馆本身——包括书如何分类、谁能借什么、借阅记录如何影响后续推荐、哪些书需要定期更新。两者都重要，但解决的是不同层次的问题。

Context System 有一个设计上的关键点，决定了它的长期价值：它随每次使用而成长。 每次 Agent 完成一个任务，结果写回系统；每次市场信号变化，系统同步更新；每次人工判断纠正了 AI 的偏差，这个纠正记录在系统里，影响下次的推理。

这意味着它是一个越用越准的品牌记忆体，而不是一次性配置完就搁在那里的静态参数文件。一个没有 Context System 的 AI，每次使用从零开始；有了它，每次使用在上一次的基础上迭代。

这是特赞在构建 GEA 架构时在底层做出的技术判断之一：企业 AI 能力的核心竞争力，不在于调用了什么模型，而在于沉淀了多少有效的品牌上下文。

特赞 Context System 已服务玛氏、联想、联合利华、周大福、吉利、李宁等品牌，知识图谱节点规模超百万。