Anthropic 强调 AI 局限性，因为更好的工具仍缺少上下文

Anthropic 最近表示，尽管训练规模更大，当前 AI 模型仍缺少关键的工作上下文。

该言论出现在 2026 年 6 月专注于模型可靠性的安全更新中。

像 Claude 这样的核心模型无法在没有反复人工输入的情况下保留过去会议、文档或决策的细节。

这一限制削弱了仅靠规模就能解决企业任务的说法。

安全更新将重点转向上下文差距

该公告是在内部测试之后发布的，测试中 Claude 在为期数周的项目中产生了不完整的输出。

Anthropic 在其 2026 年 6 月安全更新公开帖子 (https://www.anthropic.com/news/safety-update-june-2026) 中将上下文保留列为首要未解决的问题。

公司研究人员指出，即使是 200k-token 的窗口，当用户在不相关文件之间切换时也会丢失线程，他们表示：“仅靠扩展窗口无法保留跨会话的决策连续性。”

该更新标志着与此前强调原始能力增长的说法的背离。

企业用户面临反复的上下文重载

团队报告称，每个会话都要花费大量时间向模型重新解释项目历史。例如，一个销售团队在为期两周的谈判周期后，不得不在单独的聊天中三次重新输入修订后的客户定价层级；一个产品组反复重申，在一个月前的文档中，功能优先级已因利益相关者的反馈而发生变化；工程师每次开始新线程时都要重新提供架构图和之前的错误解决笔记。

销售、产品和工程团队描述了相同的模式：新聊天会重置先前的决策。

Anthropic 承认存在摩擦，但在更新中没有提供立即的技术修复。

现在的压力落在了用户身上，需要手动提供缺失的背景。

通用代理与持久记忆系统

大多数前沿模型在运行时没有持久的个人知识库。

用户必须在每个会话中提供文档和会议笔记，这会打破工作流程的连续性。

remio 则会持续捕获会议、文件和浏览器活动，并将其存储在分层记忆中。

这种差异使通用代理成为上下文盲目的工具，而 remio 则能作为已经了解先前上下文的代理发挥作用。

规模与召回之间的核心张力显现

Anthropic 认为安全需要对完全自主保持谨慎。

然而，同样的上下文限制也限制了日常工作中有用的自主性。

更大的模型改善了模式匹配，但无法跟踪数月内的具体团队决策。

结果是模型智能更高，但基本召回仍需反复的人工提示。

remio 将记忆层连接到实际任务

remio 使用五级记忆来保留即时会话细节、最近几周的活动以及存档的项目历史。

用户可以请求一份 Q2 投资者演示文稿，并获得基于实际会议笔记而非通用模板构建的内容。

PPT 生成器和 Word 报告编写器等技能可直接从此存储的上下文中提取，无需额外上传。

该架构直接解决了 Anthropic 指出的保留问题。

观察者质疑长期模型进展

分析师指出，上下文窗口已经增大，但实际工作跨越分散的来源和时间。

目前没有单一模型会话能桥接跨越数月、跨工具的决策。

Anthropic 的更新强化了仅靠扩展无法弥合这一结构性差距，正如路透社关于持久 AI 上下文挑战的报道所述。

持久的外部记忆现在看来是必要的而非可选的。

接下来值得关注的事项

关注 Anthropic 是否会在下一次发布中提供与 Notion 或 Linear 等工具的原生连接器。

跟踪使用有和没有个人知识存储的代理的团队的使用报告。

关注任何衡量多周项目周期而非单次提示的决策准确性的公开基准。

这些信号将显示上下文差距是缩小还是仍然是核心限制。

寻求已掌握工作历史的代理的用户可以访问 https://www.remio.ai 探索 remio。