From Systems of Record to Systems of Context — Omri Bruchim & Tomer Ast, monday.com

monday.com 的核心挑戰源於一個日常卻難以解決的問題：「我現在該把精力集中在什麼事情上？」表面上看是簡單提問，實際上現有 AI 系統——無論是 Gemini、GPT 或雲端助理——即使掌握使用者的所有看板、任務、郵件、Slack 訊息與會議紀錄，也只能給出彼此無關的建議，完全忽略使用者的實際優先級與工作背景。

演講者指出，問題不在資料缺失，而在理解缺失。這涉及三個關鍵障礙。第一是「代理人差距」——AI 助理在執行具體任務時表現良好（如草擬客戶投訴回覆），但無法理解使用者的優先級與身分。第二是「缺乏語義」——檔案與提交紀錄記錄了 What，卻不說明 Why；一行程式碼看似簡單，但背後可能源於某位客戶投訴或特定業務需求。第三是時間限制——理解必須預先建立，不能在使用者提問時才計算。

因此 monday.com 開發了「星期一世界模型」。系統首先蒐集數週使用者活動的完整資料點——看板狀態變化、郵件、會議紀錄、行動項、Slack 對話——轉換為三層結構：工作結構層（任務與實體間的關係）、即時快照層（緊急度、逾期項目、協作狀態）、用戶檔案層（決策模式、工作節奏、長期目標）。

架構采用雙引擎設計。慢速引擎以週為週期，分析使用者的長期模式與身分認知——例如每兩週與副總裁開會、日常工作節奏、主要協作者。快速引擎則在秒級時間窗口執行，根據最近活動重新計算即時訊號，理解今天發生了什麼、有何緊急事項、哪些同事正在合作。這一分裂設計借鑑了神經科學中的互補學習系統（海馬體捕捉即時經驗，皮質提煉長期教訓）與資料基礎設施的 Lambda 架構。

當使用者與 Psychic 互動時，系統在離線預計算所有上下文，再根據即時活動進行薄層驗證與更新。即使某個資料來源故障，系統也能優雅降級至最後驗證過的上下文。隨著時間累積，每天新增資料點、圖層逐漸填充、使用者檔案愈趨清晰，系統對使用者的理解也越來越深入，反過來強化系統的可靠性。