KeyFrame內部研究專用

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

AI Engineer15 min英文
觀看原始影片

三句話摘要

monday.com 如何透過理解使用者工作背景,將 AI 助理從資料檢索升級為智能決策支援系統 突破 AI 助理瓶頸的關鍵不在蒐集更多資料,而在透過雙引擎架構預先建立對使用者工作背景的深層理解,使系統能真正回答「我現在該做什麼」。 理解 vs. 檢索的根本差異 — 問題不在於資料缺失,而在於缺乏對資料間聯繫的理解。即使 AI 掌握看板、郵件、Slack、會議紀錄等全部資訊,仍無法回答「我現在應該專注什麼」,因為它缺乏對使用者工作優先級與背景的理解。

重點整理

  1. 理解 vs. 檢索的根本差異 — 問題不在於資料缺失,而在於缺乏對資料間聯繫的理解。即使 AI 掌握看板、郵件、Slack、會議紀錄等全部資訊,仍無法回答「我現在應該專注什麼」,因為它缺乏對使用者工作優先級與背景的理解。

  2. 三層資料模型 — 第一層是使用者工作結構(實體與關係),揭示 Slack 訊息如何關聯任務、誰在阻礙誰;第二層是即時快照(緊急度、逾期項目、協作狀態);第三層是用戶檔案(決策模式、工作節奏、長期目標),隨時間精煉而成。

  3. 互補學習系統的應用 — 參考神經科學中大腦的海馬體與皮質分工,以及資料基礎設施的 Lambda 架構,建立快速與慢速雙引擎系統。慢速引擎週週學習,快速引擎實時計算,兩者合併成完整上下文供 Psychic 決策。

實用技巧與重點

  • 產品名稱:Psychic(monday.com 的智慧 AI 助理)、Monday Workflows(確定性流程工具)
  • 資料來源:monday.com 看板、Slack、郵件、日曆、GitHub
  • 核心概念:「麵包屑」(breadcrumbs)——用戶的完整資料點集合
  • 特徵:使用者檔案顯示工程經理身分、進行中專案數、時區、每日時段安排、未兌現承諾數量等
  • 架構靈感:互補學習系統(Complementary Learning Systems,神經科學)、Lambda 架構(資料基礎設施)
  • 故障恢復:薄層邏輯驗證即時資訊,其餘退回最後驗證上下文,優雅降級而不崩潰
  • 演講者:Tomer、Omri(monday.com 工程經理)、Tor

結論

突破 AI 助理瓶頸的關鍵不在蒐集更多資料,而在透過雙引擎架構預先建立對使用者工作背景的深層理解,使系統能真正回答「我現在該做什麼」。

完整解析

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。

4 min
AI 技術中文11月21日

Make.com Automation for Beginners: Your First Automation in 10 Minutes

AI Workflow Lab看原片 ↗
  • Make 的核心是「情景」(Scenario) 概念,由多個模組組成,每個模組執行一個應用程式的單一工作。當第一個應用程式中發生事件時,Make 自動將資料傳遞到下一個應用程式,就像一個從不睡眠也不遺忘的數位助手。
  • 映射 (Mapping) 是自動化的核心。使用者需要明確告訴 Make 每筆資料應該放在哪裡,確保表單欄位正確對應到試算表的列,以及郵件內容能夠動態插入客戶資訊。
編輯精選
企業管理英文11月21日

What Anthropic's $900 Billion Bet Means for You

Nate Herk看原片 ↗
  • 訂閱用戶成為上市公司的收益基礎:4000 萬名小客戶(含 Claude Pro、Max、Ultra 或 API 用戶)合計貢獻 25% 的收入,形成 Wall Street 下注的對象。用戶每次訂閱續約都直接影響 Anthropic 股價,
  • 循環融資制造生態系統性風險:Amazon、Google、Broadcom 與 Nvidia 等公司既是投資者、又是運算服務提供商,同時採購 Anthropic 服務,形成相互依賴的閉環。若任一環節需求放緩,所有參與者將同時受創,系統風險無法
編輯精選
AI 技術英文11月20日

6 Lessons I Learned From Installing AI in a $10M Business

Liam Ottley看原片 ↗
  • AI 負責前 80% 工作,人的品味決定最後 20% — 系統一開始生成的提案很基礎,直到 Isaac 的設計師介入決定風格、選擇產品後,品質才大幅提升。需要將品味優秀的員工的規則和案例提供給 AI,讓初版更接近他們的標準。
  • 聚焦單一瓶頸,不要全面改造 — 分析發現提案環節是最大痛點:每月 15-20 張圖、每張 10 小時、成本 $500-1000、9 成無結果。選擇同時改善速度、成本、品質的用例,才是 AI 真正發揮價值的地方。