资料发了一大堆，要求写得很认真，AI也答得头头是道。可你一看成品，还是忍不住说：“不是这个意思，我刚才不是说过了吗？”
更气人的是，换个对话，又得从头解释。
我们总盼着模型再聪明一点。今天这条新消息，倒让我更想问：资料都能塞进去以后，工作为什么还是没做好？
01 / 百万Token来了，先别急着欢呼
10月3日，Aleph Alpha发布开放权重模型Kolibri。官方模型卡称，它最高支持1,048,576 Token上下文，同时建议复杂任务和注重效率的部署，控制在262,144 Token以内。它主要面向德语和英语，并不是为中文办公量身打造的模型。
Token可以粗略理解为模型处理文本的单位，不能直接换算成同样数量的中文字。
这条消息有意思的地方，不是“又多一个模型”，而是它把一个常被忽略的问题摆到了台面上：
能读更多，不等于每份资料都该读。
就像请同事帮你写方案。你往他桌上堆二十份旧文件，却没说哪份作废、谁是读者、最后要交什么。桌子再大，也解决不了这个问题。
02 / 别把“读得多”，当成“记得住”
这三件事，最好分开看。
长上下文，是这一次能参考多少资料。
长期记忆，是下次还能不能找回你的偏好、项目进展和已经定下来的规则。它需要保存、检索、更新机制，不是换个大窗口就自动有了。
正确执行，则是有没有按要求交付，引用是否靠谱，该停下来问你的时候有没有问。
所以，别再用一句“你应该懂我”当工作说明。
AI不是少看了你一句话。有时候，是你给它的材料里，同时藏着三个互相打架的版本。
03 / 今天就试：把选题资料变成一个任务包
拿公众号选题来说。下面是一个可以照做的演示流程，不是Kolibri实测，也不需要你部署这个模型。
先选5份你有权使用的公开资料，别一上来扔整个收藏夹。建一个文件夹，放三样东西：
一张任务单：写给谁看、这次要解决什么问题、输出什么。比如：“面向普通办公用户，挑出3个能做实操文章的选题，每个附上原始来源。”
一份资料索引：每条写清标题、发布日期、链接和一句摘要。过期的、只有转述没原文的，先标出来。
一张验收清单：事实能回到原文吗？厂商说法有没有标注？读者看完能做什么？
然后在支持读取这些文件的AI工具里，发这段话：
先读任务单，再看资料索引。不要立即写文章。请列出3个候选选题，分别说明读者痛点、证据出处和可操作步骤。只使用提供的资料；找不到依据就标“待核实”。如果资料冲突，列出冲突和日期，先问我。等我确认一个选题，再写正文。
关键不是提示词多漂亮，而是把筛选和写作拆开，把确认留给自己。
第一次做完，把你实际改过的要求存下来。比如“别把版本更新写成新品发布”“每篇只讲一个实操场景”。下次让工具读取最新版规则，不要再靠聊天记录碰运气。
04 / 真正值得积累的，是你做判断的方法
我的判断是：当模型能力越来越容易获得，差异会更多落在谁有可靠资料、谁懂任务、谁能检查结果上。
只会生成内容的服务，可能越来越难卖出差价。能帮客户维护资料、识别过期版本、留下交付记录的服务，反而有机会持续被需要。这是趋势判断，不是收益的保证。
当然，客户隐私和公司内部文件别随手上传；读取更多资料也可能增加费用和等待时间。重要决定仍要自己核验。Kolibri的官方部署要求也是服务器级硬件，别把它当成普通电脑上的轻量插件。
今天不用急着再买一个AI工具。
先打开那个乱七八糟的资料文件夹，挑5份有用的，写清一个任务。
模型可以升级。你让它工作的方式，也值得升级一次。