Sonnet 3.7 发布后，大模型能力已不再是智能体发展的瓶颈。
“当前智能体产品已达 80 分水平，从 80 分迈向 90 分的关键，不再是大模型能力或工具链（Harness），而是上下文的质量。”
前网易副总裁汪源，在网易任职近 18 年，曾参与孵化云音乐、严选、网易数帆等核心产品。2024 年离职创立久痕科技，推出定位为“以个人数据为中心的通用办公助理”的产品 remio。
在 2026 奇点智能产品大会上，汪源指出智能体行业普遍忽视了一个底层关键问题——上下文。他认为，模型能力已非瓶颈，工具链也在快速完善，目前最薄弱且投入不足的环节，在于信息如何被高效采集、转化为模型可消费的格式以及实现精准检索。
演讲中展示的 PPT 即为 remio 产品的实测演示：利用该产品对大会模板进行批量风格迁移，仅需数分钟即可完成。
以下为汪源演讲实录：
智能体系统已是百万行代码级的复杂软件
智能体已演变为高度复杂的软件系统。以开源项目 OpenClaw（龙虾）为例，今年年初其源代码量已达 73 万行，其中 90% 由创始人 Peter 借助 AI 编程独立完成。此外，泄露的 Claude Code 源代码也超过 50 万行，且未包含测试与评估代码。
成熟的智能体软件代码量已达百万级，复杂度堪比多年积累的开源数据库。系统内部模块众多，涵盖输入输出、环境感知、推理规划、工具调用及安全评估控制等。
从宏观架构来看，智能体系统核心可拆解为三个层面：
- 上下文工程：决定大模型的输入质量；
- 大模型本身：决定基于输入产生的输出内容；
- Harness（驾驭工程）：决定输出能否转化为实际业务结果，包括安全校验与工具执行。
三者职责明确：上下文决定输入，模型决定输出，Harness 决定最终结果。若缺乏相应工具或安全机制，即便模型生成正确指令也无法落地。
瓶颈正在发生转移，现在卡在上下文
智能体系统的瓶颈正经历显著转移。
2023 年，行业主要受限于模型能力。当时的 AutoGPT 虽获大量关注，但因模型能力不足几无可用性；早期 Cursor 也因模型限制表现不佳。在 AI 编程领域，Sonnet 3.7 是分水岭：此前 Agent 仅能辅助代码补全，此后才能真正承接完整需求并交付测试结果。
2025 年，随着 Anthropic 推出 MCP 和 Skill 规范，行业重点转向优化 Harness 层，解决工具调用标准化与场景执行说明书的问题。
然而当前，制约智能体表现的核心因素已转变为上下文质量。许多任务失败并非因为缺工具或模型弱，而是输入信息不全、格式不对或质量低下。目前行业投资在大模型和工具链上过度集中，而在上下文层面的投入严重不足，仅有少量 To B 公司在专注探索。
上下文是一个独立的系统和基础设施
从产品实践看，上下文建设面临两大典型案例：
一是自动化填表场景。用户需填写三页 Word 报名表，remio 在三分钟内自动提取并填充 90% 的信息。难点不在于编辑工具或模型能力，而在于如何精准获取并整合分散在系统中的个人数据。
二是资深用户的上下文管理。用户通过录音、浏览器插件、文档实时解析等方式，将所有工作资料汇聚至 remio 体系，形成完整的个人知识库，再按需调度给其他智能体处理。这表明，上下文本质上是一套独立的基础设施系统。
构建高质量的上下文基础设施需解决三大核心问题：
第一，解决“信息有没有”的问题
核心理念是实时记录用户接触的所有信息。单纯录屏（如 Rewind、Recall）效率低下，难以还原文档内容；仅靠录音则遗漏了占比重大的视觉信息。正确做法是多模态采集：浏览器插件抓取在线资料，本地文件实时索引解析，会议录音转写，以及 Notion、飞书等平台的数据同步。
第二，把信息转成大模型能稳定消费的输入
原始文件直接喂给模型往往效果不佳。例如，PPT 中的 WMF 矢量图格式解析困难，复杂布局转为 Markdown 后会丢失逻辑关系。为此，团队研发了KRL 语言，将页面布局转化为精简且高保真的表达形式，使初级模型也能准确理解。对于 Excel 等非规范表单，也需深度分析区块结构以避免问答错误。
第三，解决“怎么找得快、找得准”的问题
面对数十万份个人资料，简单的文件系统检索（如 grep）召回率仅为 70%，且需多次循环。而建立完善的向量化语义索引和倒排索引后，一次性召回率可超 90%。行业不应迷信“不建索引”的极简模式，办公场景必须依赖高质量索引。
新的时代需要新的内容格式
构建高保真、高效率的内容表达形态
Markdown 在 AI 时代表达能力受限。团队自研的KRL 语言（基于 JSON 特殊设计）兼具高 Token 效率、高可编辑性与高保真度。实测显示，KRL 保真度达 99.7%，用于内容理解时体积仅为原始的 1.2%，问答质量评分高达 9 分（Markdown 仅 3.5 分）。
在内容生产上，基于 KRL 生成和编辑 PPT 的速度比传统方案快 2-3 倍，成本降至 1/4。局部编辑与模板迁移亦更加流畅。
基于端侧智能算力的推理加速
海量数据处理应优先利用本地算力，既降低成本又保障隐私。策略上，利用低功耗 NPU 进行常态化预处理（如建索引、向量化），利用高性能 GPU 处理即时任务（如 OCR、版面分析）。
实测数据显示：端侧 GPU 使 OCR 速度提升 3 倍以上，版面分析提升 5 倍；本地语音转写速度提升近 40 倍；NPU 向量化计算提速近 20 倍。这使得会议纪要等场景的成本降至云端方案的 1/5，大幅提升了服务免费额度。
“毋在浮沙筑高台”。当前智能体系统底座尚不稳固，上下文基础设施是制约其表现的关键。未来需做到：信息全量留存、输入格式高质量转化（如 KRL）、摒弃简单检索建立专业索引、充分利用端侧算力。
Q&A 问答环节
提问：KRL 格式是否开源开放？
汪源：KRL 格式本身是开源开放的，文档简洁易懂，模型易于学习。但将该格式直接渲染生成 PPT 的功能属于产品核心能力，暂不开放。用户可通过命令行工具（CLI）接入使用。
提问：定义 KRL schema 的初衷是什么？如何保证迭代后的效果提升？
汪源：初衷是解决 Markdown 表达能力不足及直接解析原生文件格式 Bug 多的问题，旨在创造一种体积小、信息全、精度高的中间语言。关于效果保障，我们建立了严格的评测体系。例如 99.7% 的保真度数据，是通过数百个文档逐页像素对比得出的。在智能体开发中，评测代码的量往往超过功能代码，大部分精力都投入在确保质量的评测工作上。