现在，每家公司都在争夺个人上下文。OpenAI做浏览器，Anthropic做Chrome插件，豆包做输入法——巨头们不约而同地认定：个人行为数据是AI竞争的关键资源。
创业团队也在用各种方式切入这个领域：录屏、输入法、邮箱/笔记导入、硬件lifelog，路径不同，目标一致。
但问题是：我们到底需要什么样的个人上下文？
我们要个人上下文做什么？
我们先回答一个基本问题：要个人上下文做什么？
ChatGPT的chat形态虽然让AI变得可用，但也带来了局限——用户大多是"带着问题来"的。AI很聪明，但对你一无所知，每次对话都从零开始。
所以，ChatGPT、Gemini们想要上下文，本质上是为了解决"不了解用户"的问题：提升回答质量、减少重复解释、更快理解任务、让代码补全更准、让搜索更贴合个人需求。
这些需求最终都指向同一个东西：用户偏好和最近行为上下文。
用户偏好并不新鲜——传统算法时代就有，叫"兴趣标签"。但AI时代的变化在于：兴趣标签升级成了语义化的用户偏好描述（比如ChatGPT的AI记忆），不再是冷冰冰的标签，而是AI真正"理解"你是什么样的人。同时，AI还能捕捉你的最近行为上下文——你刚刚在看什么、正在处理什么任务、此刻关注什么。
长期偏好告诉AI"你是谁"，最近上下文告诉AI"你此刻需要什么"。两者结合，AI既可以做更精准的推荐，也可以作为Agent主动执行任务。
在推荐方向上，新逻辑相比传统算法有明显优势：不会被单次点击带偏，能区分真实兴趣和偶然行为；有场景感知能力，工作时推工作内容、休闲时推娱乐内容；既能利用长期偏好，也能基于当下上下文探索新东西；而且可解释——能告诉你"为什么推荐这个"，不再是黑盒。
这个逻辑如果成立，App Store里的产品几乎都可以被重新做一遍——衣食住行、娱乐社交学习，每个领域都能加上"懂你"的AI层。
大公司已经在行动了。滴滴推出了AI出行助手"小滴"，美团上线了小美AI和AI吃功能，高德有"小高老师"——巨头们正在把自己的高频场景数据和AI能力结合起来。而且，大公司本身就拥有某类用户的高频行为数据。理财AI助手？支付宝和银行的数据最全。穿衣AI助手？淘宝京东有完整的购买、收藏、浏览、尺码记录。只要数据量够大、覆盖面够广，AI产品就非常容易落地。
所以，创业公司想切入任何具体领域，都抛不开一个问题：大公司做了，怎么办？
最近一篇文章对这个问题给出了不同的视角：
市场上一直有一个观点，最终AI的终局是"得context者得天下"，而大厂占据了所有重要的用户context，所以创业公司很难抗衡。但实际上有一个问题，用户的context是相当分散的。以Grammarly为例，他们公司内部就在同时使用972个SaaS软件，而创业公司的机会就在于它可以构建一个中立的、跨平台的AI层把所有应用连接起来。
Grammarly这个例子很有意思：一家公司内部同时用972个SaaS，意味着员工的工作上下文分散在几百个不同的应用里——邮件在Gmail，文档在Notion，沟通在Slack，项目在Jira……没有任何一家大公司能垄断所有这些context。
这正是创业公司的机会：不是在单一场景里和大公司拼数据量，而是做一个跨平台的AI层，把分散的上下文整合起来，从而理解用户的完整行为和决策，而不是只看某一个应用的闭环数据。
但这条路也不容易。成功概率取决于：数据丰富度 × 场景频率 × 主动价值需求——你能整合多少数据？用户多久用一次？AI主动提供的价值有多大？
不同的创业者在这三个变量上做不同取舍。有些选择高频场景，比如饮食、出行；有些则放弃高频，专攻低频但高价值的场景，比如吃药提醒、报销管理——用户不常用，但每次用都很刚需。
如果只聚焦跨平台整合，有几个方向或许值得关注：订阅管理（数据分散、痛点明确、价值可量化）、智能报销/记账（支付宝+微信+银行天然分散）、内容创作者工作流（人群大、跨平台刚需）、个人知识库管理（Readwise已验证需求）。还有一个更复杂但潜力巨大的方向：家庭生活助手——水电煤、购物、家人日程、消费、服务预约分散在无数平台里，没有大厂能覆盖全部，但执行难度也最大。
无论哪条路，都要回答一个核心问题：哪些用户上下文是足够特殊、又能可持续生产的？
我们如何去细分用户上下文？
关于前面的问题，是我最近接触投资人谈论最多的话题。
一种直觉的分类方式是按场景：衣食住行、娱乐社交学习。从"特殊性"和"可持续生产性"两个维度评估，食、行、玩/闲/学是最优的长期数据源——饮食习惯高度个体化且每天都在产生数据，出行是高频行为，娱乐学习更是兴趣和专业知识的持续沉淀。相比之下，衣、住更偏向低频大事件，数据更新速度有限。
但无论是按场景分类，还是上面讨论的跨平台整合机会，大家追求的本质上都是同一个东西：用户偏好。
这也是目前大部分创业者和投资人思考用户上下文的默认框架。
但我一直在想另一个问题：如果我们能获得完整的用户上下文，就相当于获得了用户的克隆。那么从"克隆一个人"的角度思考，用户上下文是不是可以这样区分：
- 用户偏好：喜欢什么、不喜欢什么
- 用户决策：面对选择时如何权衡
- 用户状态：节奏、活跃时段、情绪信号
- 用户目标：短期想做什么、长期追求什么
- 用户专业知识：技能与经验
这五个维度的划分基于一个前提：可采集、可持续产生数据。更深层的东西，比如价值观、人格特质等，虽然也是"了解一个人"的重要部分，但很难从日常行为中稳定提取，所以没有单独列出。
这五个维度的数据基础同样是用户行为数据。可以这么理解：用户行为数据是原始信号（raw signals），五个维度是语义化后的结构化信息（semantic context）。
原始行为数据本身是片段化的、信号式的，不能直接支撑决策模型，必须被"解读"之后才有意义。
这里需要区分两套完全不同的系统。
大公司做的是「行为数据系统」。他们关心的问题是：我能收集到什么行为？怎样把行为分类，然后做推送或自动执行？这套系统包括用户偏好标签、短期意图、上下文、历史行为序列，驱动的是推荐、搜索、Agent执行、主动提醒。本质是"行为→算分→推荐"，是一套驱动行为的模型。
而5个维度指向的是「心理变量系统」。它关心的问题是：一个人内在的思考方式、决策路径、偏好结构是什么？这套系统用于回答：为什么这个人会做出这个选择？如果换个条件，他会怎么选？这是一套解释行为的模型，而不是累积行为的模型。
一个是理解行为表现，一个是理解人本身。
大公司拥有海量行为数据，但缺少这些"人类因果链"。他们想要的，主要还是用户偏好。
这恰恰是创业公司的机会：不能在行为数据量上赢过大厂，但可以在"用户模型结构"上胜出。
大公司的推荐逻辑是："你爱吃鸡肉 → 推荐鸡肉"，而心理变量系统的逻辑是："你今天状态低 / 你长期目标是健康饮食 / 明早开会要早起 / 你下午喝了咖啡、晚上不该点重口味 → 你应该点一份轻食"
大公司没有"应该"，只有"喜欢什么"。这是质的差异。
但用户决策、用户状态、用户技能——心理变量系统的其他维度——是否也有机会产生新的可能？
AI克隆：更深层用户了解的终局
事实上，如果超出用户偏好，延伸到用户决策、用户技能等更深层的维度，就很容易走向一个更大的概念：AI克隆。
可以这样理解：用户偏好是对一个人的浅层了解，而用户决策、状态、目标、技能是更深层的了解。当这些维度的数据足够完整时，AI就不只是"知道你喜欢什么"，而是"能像你一样思考和行动"。
这正是AI克隆的本质。
但这里需要澄清一个误解：AI克隆不是"人格分身"——不是复制用户说话风格、模拟语气习惯。那是表层建模，无法提供可量化价值，也容易踩伦理风险。
真正有价值的AI克隆，是对某个维度的深度建模。用"克隆"的视角来理解：
- 深度建模"用户技能" → 相当于克隆了用户的专业能力
- 深度建模"用户决策" → 相当于克隆了用户的思考方式
- 深度建模"用户状态/情绪" → 相当于克隆了用户的情绪模式
不同公司选择了不同维度去探索。
技能维度：SuperMe
SuperMe想用AI创建一种全新的"专业身份"形式。这个身份档案基于你真实说过的话、写过的文章、做过的演讲、记录的笔记等内容训练而成。任何人都可以通过语音或文字与你的AI档案对话，学习你的思考方式，获取你的专业建议。
它深挖的是"用户技能"——让专业知识可以被复制和访问（专业知识）。
决策维度：Digital Ray
Ray Dalio推出的Digital Ray，基于他多年的著作、演讲和记录训练而成，聚焦于目标达成、问题解决、创业和个人发展等决策场景。
它深挖的是"用户决策"——不是复制说话风格，而是重建决策时的思考逻辑。
这指向一个有潜力的方向：AI导师。克隆一个AI乔布斯咨询产品设计，克隆一个AI芒格讨论投资决策——本质是让普通人也能获得顶级智慧的决策指导（专业知识和决策）。
整体维度：Second Me
Second Me的核心理念是"人是其所有上下文的总和"。通过导入你的笔记、社交媒体、文章，甚至克隆声音和形象，它尝试保存和延伸一个完整的数字身份。
它的社交应用很有趣：你的AI分身可以和别人的AI分身聊天破冰，24小时帮你筛选真正契合的人，然后把舞台交还给真人完成连接（社交）。
其他可能的探索
AI偶像——深挖风格与表达维度，让粉丝可以和偶像"对话"。
最后
虽然我们每个人都对AI克隆着迷，仿佛拥有了另一个数字化的自己，就拥有了无限可能。
但我们真的想面对自己吗？谁想面对另一个真实的自己呢？
也许，只克隆自己的一部分，反而是更好的选择。克隆自己的语言风格，让AI代替自己运营社交媒体；克隆自己的专业技能，让AI帮助他人学习；克隆自己的决策逻辑，让AI在自己忙不过来时做出合理判断。
不是追求一个完整的数字分身，而是把自己最有价值的那部分放大、复制、延伸。
Second Me押注社交，SuperMe押注技能交换，Digital Ray指向决策导师——每个方向都在探索，都还没有被完全验证。但这或许正是机会所在：当大部分公司还在争夺"用户偏好"时，更深层的用户了解可能才是真正的蓝海。
当然，对用户数据的区分只是第一步。毕竟推荐算法，每家公司呈现出来的效果也不一样。即便获取到的用户数据是一样的，对于数据的处理，也会有不一样的结果。这种处理会直接影响对用户上下文的理解，而上下文的理解，最终要回到两个关键变量：宽度与深度。
宽度决定你能覆盖用户生活的多少场景，深度决定你能理解用户到什么程度。
大公司有单一场景的数据量优势，创业公司则可以拼跨平台整合，或者在用户模型结构上做出差异。
这或许就是"我们需要什么样的个人上下文"的答案。