操作系统之所以必要，不是因为运行一个程序有多难，而是因为很多程序需要共享同一台机器，同时又不能互相破坏。我觉得 AI 正在接近一个类似的转折点。
今天我们讨论 AI Agent，通常还是围绕一个 Agent：怎么让它推理更强、搜索更好、记忆更久、工具调用更稳定。这些问题都重要。但如果模型继续变强、变便宜，甚至最终达到类似 AGI 的能力，真正发生变化的不只是单个 Agent 的能力，而是系统里会出现越来越多能够自主读写信息、做决定和执行任务的智能体，并且它们还要和人一起工作。
到了那个阶段，最难的系统问题可能不再只是 intelligence，而是 coherence。
我长期真正想问的问题是：
我们如何组织和维护一个由人类与 AI Agent 共同理解、协作和行动的共享信息世界？
我越来越觉得，这个问题的根仍然是 data systems。更准确地说，它像一个持续、多写者的语义数据集成问题，而 Context 则是这个共享状态面向每个任务的读取接口。
1. 当智能变得充裕，一致的信息反而会变稀缺
如果只有一个 Agent 面对一个相对静态的语料库，核心问题通常是 retrieval：能不能找到正确证据，把它放进 Context，再让模型基于这些信息完成推理。
但在人和大量 Agent 共存的系统里，失败模式会完全不同。
Agent A 总结了一次设计讨论；Agent B 根据这个总结生成计划；后来人修改了其中一个约束；Agent C 又从旧文档里读到了早先版本并执行了动作；Agent D 最后写复盘时，把观测到的事实和自己推断出来的原因混在了一起。这些内容之后还可能继续被别的 Agent 当作输入。
这时问题已经不只是“信息能不能被找到”，而是：被搜索的那个信息世界本身，还是否保持一致和可解释。
足够强的模型可以在错误的 state 上做出非常好的推理。超长 Context 可以同时装下很多互相冲突的版本。Agentic Search 可以非常努力地找到一个已经失效的决策。Agent 越多，系统产生 summary、plan、memory、derived view 的速度甚至可能远远超过人能检查它们的速度。
所以稀缺资源会发生变化：推理能力可能越来越充裕，而一致、可信、可共享的信息状态会越来越难维护。
这也是为什么我不认为“给每个 Agent 一个更长的 Context Window”会是终局。更长的窗口只是让模型看世界的信道更宽，它不会自动让这个世界变得更干净。
2. 这是 Data Integration，但写入者变成了自主智能体
传统 Data Integration 解决的是：如何把异构数据源整合成一个有用的统一视图。里面有 entity resolution、schema matching、data cleaning、lineage、deduplication，以及一致的 query semantics。
未来的人-Agent 系统继承这些问题，同时打破了一个过去常常成立的假设：数据源大多是被动的。
Agent 会持续制造新的信息。它们会写 summary、hypothesis、plan、decision、code、tool result、memory、explanation 和各种 derived view。更关键的是，这些输出会立刻变成别的 Agent 的输入。一次读取很可能马上引出更多写入。
这会产生一种我称为 semantic write amplification 的现象：一个底层事件会被不断转写成很多语义不同的派生内容。
例如一次会议产生原始记录；Agent 生成 summary；另一个 Agent 从中抽取 decision；workflow 把 decision 转成 task；之后的复盘又解释为什么当初产生这个 task。如果 provenance 丢了，最后系统里只剩下一堆看起来同样“像事实”的文本。
因此，未来的数据集成不能只回答“这个实体的值是什么”，而要回答：
这是什么类型的 claim、由谁产生、什么时候有效、基于什么证据、谁有权修改它、以及后来什么信息取代了它。
而且这里未必存在一个全局唯一的“真值”。一个计划可能只对某个团队有效；一个用户偏好在一个场景下稳定，在另一个场景下完全无关；两个 Agent 也可能同时持有两个竞争性 hypothesis，而这并不意味着数据库坏了。
系统的目标不是消除所有分歧，而是让分歧、适用范围、authority 和时间语义足够明确，使未来的读取者能够正确使用这些信息。
3. 系统应该维护 Shared Information State，而不是一堆 Memory
我觉得这种系统真正应该维护的对象，是一个 shared information state。
它比 Agent Memory 更广，也比传统 Knowledge Base 更动态。它既容纳原始证据，也容纳派生内容，但必须保留足够的结构去区分两者。人和 Agent 都可以读写它，它也必须能够持续演化，同时不把历史静默改写掉。
humans / agents / tools / databases / documents
↓ reads + writes
shared information state
provenance · time · authority · versions
permissions · conflicts
↓ task-specific view
model context / human view
↓
action + feedback
↺
我认为这里至少有四个核心 invariant。
- Provenance：任何派生信息都应该能追溯到产生它的证据和变换过程。
- Temporal semantics：系统要知道一个 claim 什么时候开始有效、什么时候失效、后来被什么 supersede。
- Authority 与 permission：模型生成的 summary、工具观测结果和人明确做出的 decision，不应该拥有同样的写权限。
- 可逆的 derivation：summary、memory、canonical view 等物化状态，在输入变化时应该能重建、回滚或撤销。
它不会简单等于 Knowledge Graph、Database、Version Control 或 Memory System 中的任何一个。它们各自提供了一部分能力，但缺少一个专门面对由智能体持续解释、派生、争议和重写的语义状态的统一抽象。
这里最危险的问题也不再是一轮回答里的 hallucination，而是 hallucination 被写成长期状态，之后又被当作 evidence 检索出来，影响另一个 Agent，最后逐渐变成“大家都认为是真的”。
一旦模型输出开始成为未来输入，信息质量就变成了一个 feedback-control problem。
4. Context 应该是 Shared State 上的一个 View
从这个角度看，我对 Context Management 的理解也会发生变化。
Context 不应该等于数据库本身。它应该是 shared information state 面向当前任务生成的一个 task-specific view：
shared state
--(actor, task, time, permissions, evidence needs, budget)-->
context
不同 Agent 不一定应该看到一样的 Context。人和 Agent 也不应该默认看到同样的信息。正确的视图取决于任务、角色、authority、时效要求、对不确定性的容忍度，以及 attention budget。
这样一来，很多现在被分散讨论的方向其实可以统一起来。
Data Integration 是 write / maintenance path。 它决定新观测和派生 claim 如何进入信息世界，entity 和 version 怎么对齐，冲突和 stale state 怎么处理。
Memory 是 durable 或 materialized state。 有些 memory 接近原始事实，有些其实是压缩后的 view、推断出的 preference 或缓存的 conclusion。不同类型的 memory 应该拥有不同生命周期。
RAG 和 Agentic Search 是 read path。 它们负责在信息世界中导航，为当前任务收集证据。
Context Management 是 view construction。 它把这些证据组织成当前这一轮里，人或 Agent 应该看到的有限世界。
这样看，一个 retrieval miss 和一个错误的 memory write 并不是两个无关的产品 bug，而是同一个 information lifecycle 上不同位置的 failure。
这也是为什么 search 再强也不够。Search 可以帮助我们从一个混乱世界里尽量找到正确内容，但它无法在读取时彻底修复缺失的 provenance、模糊的 authority、静默发生的 supersession，以及已经进入长期状态的自我强化错误。
5. 面向 Human-Agent Ecosystem 的系统研究议题
如果这个 framing 是对的，我觉得至少有三层系统问题值得做。
第一层是 integration and maintenance plane：接收人的输入、工具观测和 Agent 输出，做 entity normalization、provenance 保留、conflict detection、state compaction，并判断哪些写入值得成为长期状态。
第二层是 shared-state substrate：为 fact、claim、decision、hypothesis、preference 和 derived view 提供 versioned、permissioned、provenance-aware 的存储和语义。它需要理解 supersession 和 rollback，而不仅仅是 CRUD。
第三层是 context plane：做 retrieval、navigation、query planning、compression 和 view materialization，在每个任务的 budget 下构造正确 Context。任务结果产生的 feedback 又应该反过来改善 read path 和底层 state。
这里最重要的约束，是这些闭环不能变成自动化的 self-contamination。成功的 Agent 应该能够改善未来的信息组织，但失败的 Agent 不能轻易把自己的错误升级成下一轮的“ground truth”。这要求 validation gate、provenance、authority、versioning，以及能够把 failure 追溯到具体信息状态变化的 eval。
我现在做的 AutoIA 可以看作进入这个长期问题的一个现实切口：一边改善 Agent 的 external information environment，一边改善从这个环境构造 task-specific context 的 pipeline，并用任务级反馈把两者连成闭环。之前的文章 《Context Management 的下一代：维护模型可感知的世界》 主要讨论的是面向单个 Agent 的这一层边界。
更大的问题是：当这个“可感知的世界”不再只服务一个 Agent，而是由人和大量 Agent 共同读写、持续改写时，系统应该长成什么样。
我现在还不知道最终的 abstraction 会是什么。它大概率不会简单等于今天的 Database、Knowledge Graph、Memory System 或 RAG Stack。
但我越来越确定问题本身：
当智能变得充裕以后，组织共享信息的基础设施，可能会变得和提供智能本身的基础设施一样重要。
这是我长期想做的信息系统。