2026 年 7 月 1 日，OpenAI 联合创始人 Greg Brockman 在 Big Technology 访谈中描述了一个尚不常见的产品形态：一个持续运行的实体，不断思考“今天能为 Alex 做什么”。他认为，长期来看，用户“几乎不需要界面，也不需要产品”。完整内容可以参考这期 Big Technology 访谈 视频。
在目前的软件生态中，这显然还不是主流的产品形态。今天的用户依然需要主动寻找应用图标，点击打开，然后在窄窄的对话框里敲下提示词。为了看清这一愿景，我们不妨先做一个贴近现实、不带科幻色彩的思想实验，看看这样一个常驻后台的 AI 助手，在具体的一天里会如何与我们协作。
清晨，Alex 醒来，在手机上看到一张很短的简报，其中只有一条冲突：下午三点有团队讨论会，但孩子的学校刚发来邮件，通知三点十分有家长座谈会。这与你“不遗漏孩子的重要学校活动”的目标冲突。系统发现下午四点半有空，已经准备好会议改期申请、Slack 通知和日历调整。Alex 点按确认，系统更新日历，并发出经过他审阅的通知。
白天，Alex 打开正在编辑的课程大纲。文档右侧浮现出一条提示：昨天你在 Slack 上承诺过要替换案例，我已经准备好一处候选修改。这不是等待他浏览的信息流，而是可以直接采用的工作产物。Alex 点击插入，完成了替换。
下午，一位客户发来邮件询问交付时间。系统核对项目计划与测试状态后，在邮件下方生成一份较为保守的回复草稿：周五提供可验收版本。Alex 略作修改并确认发送。
晚上，系统用一条日终回顾询问：以后遇到类似冲突，是否可以直接准备草稿，不提前弹窗？Alex 选择“以后类似情况直接准备草稿”，随后合上电脑。
在这个思想实验里，没有科幻电影中的全知传感器。世界自然运行，而 AI 在那些人与数字环境交互的缝隙里，自然地在场。
在这个思想实验里，我们可以清晰地定义这个新产品的形态：它不是一个你需要主动去打开的独立应用，而是一个常驻在邮件、日历、文档和消息之间的“环境意图层”。
它的可见表面非常稀疏。在用户能看见的前端界面上，它只有早晨的极短简报、嵌入在现有应用工作区侧栏的意图卡片，以及已经准备好的邮件草稿或文档工件。在绝大多数时候，它没有显式的用户界面，而是隐形在现有的工作流背后。
然而，在不可见的后台，系统在持续完成动作：环境信号的压缩、长期目标的比对、上下文的检索，以及前置的准备工作。
这正是 Greg Brockman 称其为“没有产品”的原因。它的产品边界已经退到了现有应用生态的背后。无界面并不意味着底层的软件和基础设施不存在，而是指用户不再需要承担选择软件入口和写出显式命令的认知负担。
我们可以在下图中看清这套分布式系统层级与产品呈现之间的映射关系：
为了更好地理解环境意图层的独特性，我们可以将它与目前市面上的几类交互形态进行对比：
首先是聊天框。聊天框在本质上是消极的，它永远在等待你主动开口。你必须手工把环境中的变化翻译成任务，用文字喂给它，它才会行动。我们在 聊天框的幻觉 中曾深度剖析过这种同步微操对效率的限制。
其次是定时任务或触发式规则。它们只能机械地运行，严格将同样的触发映射到同样的行动。而主动 AI 则会结合上下文与目标，动态决定是生成候选行动还是选择保持沉默。
再者是普通的信息流与通知中心。它们只会告诉你发生了什么，把判断状态的认知负担留给人类。而主动 AI 则会直接交付一个已经起草好、可以直接发送或使用的工件草稿。
最后，是主动 AI 表现出的环境意图层。对于同样一封学校发来的通知邮件，它会结合你“不遗漏孩子学校活动”的长期目标，检索你的日历，发现会议冲突。在全面评估了打扰成本后，它决定保持安静，默默将所有调整方案和通知草稿准备好，直到清晨你醒来，才将这个高置信度的行动候选呈递出来。
正如我们在 ambient agents 的分析 中所指出的，智能体正在从需要主动调用的工具，演变为你数字环境的一部分。
这与我们在《聊天框的幻觉》中讨论的邮件式 Agent 界面并不矛盾。邮件解决的是任务已经形成以后，如何把完整目标、背景资料和验收标准异步交给 Agent；环境意图层处理的是更早的阶段：用户还没写邮件，甚至还没意识到两个日程发生了冲突，系统先识别出一个可能值得推进的事项。
两者可以首尾相接：环境意图层负责发现并准备任务；当任务复杂到需要人补充目标和约束时，候选卡片展开成一封完整任务书，再进入邮件式的异步执行流程。前者解决“什么事情现在值得成为任务”，后者解决“这个任务如何被清楚地委派”。
这个场景听起来非常合理，而且在技术上每个单点在过去一年多都取得了突破。那为什么到今天，我们依然被困在各种嘈杂的对话框和配置界面里？
最核心的原因可以归结为：主动智能的瓶颈不是 action，而是 activation。
在今天，大模型生态在执行层面取得了明显的覆盖扩张。无论是 ChatGPT Work 的跨软件操作，还是 Claude Cowork 在设备关闭后的后台长时任务推进，甚至 Microsoft autonomous agents 提供的事件触发与 Activity 行动记录，都证明了我们正在拥有更强的底层动作能力。
然而，激活，也就是系统何时该启动、该朝什么方向规划、以及在什么时候该把人叫回来，依然是一个没有解决的缺口。
更具体地说，activation 的瓶颈，本质上是缺少能长期积累、自我闭环的环境上下文基础设施。
过去谈 context，通常指 context window，或者一次 prompt 里附带的任务说明：短期目标是什么、问题如何定义、有哪些参考资料、怎样才算完成。这些信息让人能够把一项已经想清楚的任务委派给 AI，但它们通常随任务结束而失效。
《为什么 AI 只会说正确的废话，以及怎么把它逼出舒适区》把这个概念向前推进了一步：决定 AI 工作质量的，往往不只是模型能力，而是它能否获得高密度、可复用、持续更新的 context。Context 不应只是窗口里的临时材料，而应成为一种长期积累、分层精炼、按需加载的基础设施。
对于主动 AI，这套基础设施至少有三层。
高层 context 是价值观、长期目标和稳定偏好。例如，“孩子的重要学校活动，我会尽量参加”。它决定一封学校邮件为什么比普通促销邮件更值得关注，也决定什么信号应该成为任务。
中层 context 是从多次实践中提炼出的 axioms、skills、判断原则和工作方法。例如，遇到日程冲突先核对哪一项更容易移动；涉及外部沟通时先准备草稿，不直接发送。它决定系统应该怎样准备下一步。
底层 context 是这一次事件和当前任务状态：学校邮件、当天日历、会议参与人、项目进度。它决定此刻发生了什么，以及为什么是现在。
三层 context 在当前情境中相遇，才产生 activation。没有高层，系统不知道什么重要；没有中层，它不知道该怎样处理；没有底层，它不知道此刻具体发生了什么。意图也不是等待模型扫描出来的隐藏变量，而是在这些 context 的比对、建议和用户选择中逐渐形成的。
更大的 context window 不能自动补上这三层。更多 token 解决的是容量，不是结构。把几年的邮件、聊天和操作日志全部塞进窗口，重要信号反而可能被无关历史稀释。真正需要的是一个闭环：捕获 → 提炼 → 按需装载 → 反馈更新。
系统从用户行为和明确纠正中捕获候选偏好，跨时间识别稳定模式，再把它们提炼成可复用的目标、axioms 和 skills。新事件出现时，只加载与当前情境有关的部分。用户每次确认、拒绝或修改建议，都会继续修正这些 context；高层目标需要用户确认，所有记录都应可见、可纠正，并能在过期后被淘汰。
Alex 晚上选择“以后类似情况直接准备草稿”，就不只是完成了一次设置。它为下一次激活补充了一条中层经验。系统不必重放今天的全部对话，只需在相似冲突出现时，按需加载这条经过确认的处理偏好。
这也是过去一些主动产品的共同缺口之一。Clippy 有触发信号，却没有足够的目标和情境判断；Siri 与 Alexa 能处理显式命令，却很少在用户沉默时形成任务；IFTTT 与传统 RPA 擅长连接固定触发和动作，却默认“事件发生”已经等于“用户想行动”。我们在 RPA 语义重放的复盘中讨论过自动化从点击走向业务语义的变化，但即使执行能够理解业务语义，何时应当启动仍依赖 context。
一个不等你提问的 ChatGPT，不会主要表现为更大的聊天窗口。它更可能分布在日历、邮箱、协作软件和文档侧栏中，以少量意图卡片和准备好的工作产物出现。
它还没有普及，也不只是因为模型不够聪明。工具调用和计算机操作会继续扩散，真正难以速成的是一套经过时间积累、能自我更新的个人 context：它知道你长期在意什么，知道你通常怎样处理，也知道此刻发生了什么。谁能在获得授权的前提下建立这种准确、可纠正、会过期的 context infrastructure，谁才更接近 Brockman 所说的主动智能。