Agent 能力公式
一直很喜欢 藏师傅 提出的 agent 能力公式：
NOTEAgent 能力 = 工具 × 上下文 × (人格 + Memory + Skill)
其中，我更喜欢把括号里的统称为 personalized information（个性化信息）。
我觉得这个公式最有价值的地方，就在于揭示了在人与 AI 的协作中，什么是最有价值、最有竞争力的事物。它也决定着大模型的能力能被发挥到什么程度。
很多人在焦虑 AI 会不会抢走工作，却很少有人意识到：AI 最先抢走的，是那些标准化的答案。
在 2026 年的今天，算力和基座模型已经变成了水电一样的基础设施。当越来越多人都能接触到 GPT-5.5、Claude Opus 4.7 或未来更高级的通用模型时，单纯依靠“能用更强模型”带来的差额收益会被压缩。
越强大的模型，越需要你的个性化信息
为什么这么说？因为目前绝大多数主流 LLM 的核心架构仍然深受 Transformer 路线影响。
从简化后的生成机制上看，主流 LLM 仍然是在给定上下文中对后续 token 的概率分布进行建模；但在产品层面，它的实际表现已经由模型本体、上下文窗口、工具调用、检索、记忆和推理时计算共同决定。
因此，当它缺少具体情境、个人偏好等一系列特质内容时，它会自然滑向训练分布中更高概率、更通用、更安全的回答。
而上述那些真正属于你的特质，比如项目背景、你的个人偏好、经验、工作流，模型并不会天然掌握。
哪怕基座模型的实力再提升好几代，实现突飞猛进的跨越——就像从 GPT-3.5 发展到现在的 GPT-5.5 ——它在 3.5 时代不知道你的个性化信息，到了 5.5 时代，如果你不主动为它装配，它依旧不知道，它永远只是一个聪明的陌生人。真正的差异，不是幻想模型凭空理解你，而是来自你能否把自己的上下文和工作流组织成它可调用的信息结构。
打造个人“数字资本”
因此，既然存在这种现象，如何为 Agent 治理、编排上下文与个性化信息，就变得更加重要了。
上下文可以分成两层考虑：一层是狭义的当前任务上下文，承载着当前项目的背景、目标、约束等信息；另一层则是可以被模型检索、调用的信息储备。它们只要经过良好的治理，就可以省去很多的摩擦成本，减少误解甚至是错误。
例如我日常积累的笔记和思考，它们是可以被转化为上下文的信息储备，能通过适当的方式载入到上下文中。AI 能够通过其更好地了解我的价值观，甚至是预判我对于一些事物的评判结果。虽然它不能等同于我的意识，但能显著减少 AI 理解我时的摩擦成本。
而个性化信息部分，就拿其中很火的 skill 来举例子，技术上看，skill 是可复用的工作流封装；但当它来自一个人的长期实践、反复修正优化时，它就会变成个人经验的沉淀。它们是非常个性化的。
例如，小到按照你的个人 / 团队习惯整理会议纪要、提取待办事项的轻量化工作流；大到针对某种具体数据分析方法沉淀出的 SOP，甚至是将“检索新知识、连接旧知识、构建可视化图谱”串联起来的学术或产品开发工作流。
将上述这些信息进行良好的记录、保存和整理，对于每个人而言就是一笔非常丰厚的数字资产（或许叫数字资本更合适？）。
NOTE事实上，这种将个人经验转换为数字资本的逻辑，也正在影响下一代生产力工具的发展。
例如近期的 AI 原生工作空间
Moxt，其产品核心思想就是为 Agent 提供一个包含文件、记忆、技能和工具的原生操作系统。在这样的空间里，个人、团队同 AI 共享同一份上下文，你不再需要每次都像对待陌生人一样反复交代背景。
“数字资本”的个性化壁垒
这些数字资本虽然是给 AI 读的，但它是为你服务的，因为这些内容已经积累并沉淀了大量与你个人有关的信息，反映了你作为一个个体所独具特色的认知、经验、审美、逻辑。
这意味着即便别人拥有和你一样的算力，他们也很难低成本复刻你的 alpha。哪怕其他人拥有了这些数字资本，他们也未必能发挥出这些资本与你协同工作时的效果。甚至对于他们来说，可能还会产生反作用。因为真正产生价值的，不只是那些 skill 和 prompt 本身，而是它们与个人经验、判断标准、使用场景和长期反馈之间形成的组合关系。
举个例子：一个人从网上可能收集了很多 skill 或者 prompt 案例，但他自己用起来总感觉差那么一点点，或者不对胃口。这其实就是他自己的特质，与这些 skill 或 prompt 创造者个性之间发生的矛盾。所以都说最好的 skill 是自己写的，最好的 prompt 是自己改过好几遍的。
结语：拒绝被 AI 平庸化
这既是警示，也同时指明了方向：一个人如果每天只是在调用通用的 AI 接口，最终只会被 AI 彻底平庸化掉自己的思想；一个人如果不积累属于自己的数字资本，那么只是在用最先进的工具，加速让自己被平均掉。
但是，如果能有意识地将自己的灵魂——认知、经验、审美、逻辑，转化为 AI 能够读取、引用和执行的信息结构：用 memory 沉淀长期信息，用 skill 封装可复用的流程与动作，那么 AI 对你来说就不是替代者，而是你意志的体现，它能复利于你、持续增长。
LLM 的生成离不开概率分布，但个体的不可替代性，就隐藏在这些无法被模型自动补全的“非共识”里。