我們之前講了Cursor、Blot.new、Replit、Lovable、V0等幾個AI編碼工具的故事（大家可以向前翻一下相關文章）。本來我已經基本說全了，但是把開發了Devin的Congnition Labs公司給忘了。不過，正好Lenny's Podcast上周發布了與Cognition公司的聯合創始人兼 CEO Scott Wu的對話影片，我們可以補上這個缺口。
如果說上述其他AI編碼產品的主要目標是「人機協作」、「快速原型」、「低門檻開發」，Devin這個產品的定位明顯不同。在Devin剛發布的時候（印象是去年3月），Cognition Labs宣稱它是「世界首個 AI 軟體工程師」，可以像人類一樣獨立完成複雜的軟體開發任務，包括規劃、編寫、調試、部署代碼，甚至能自主學習新技術、修復開源項目 bug、完成真實工作外包平台（如Upwork）上的開發任務。用人話說，就是在某些任務中獨自工作，無需人類參與。
不過，產品Demo發布後，有很多開發者和技術博主仔細分析官方演示後發現，Devin在 Upwork上完成的任務與實際客戶需求並不一致，AI未能完全理解或滿足真實需求，而是「自說自話」地完成了部分無關任務。據theregister今年一月份的一個報道，有獨立研究者（如 Answer.AI 團隊）實測發現，Devin在真實複雜任務中的成功率遠低於宣傳。例如，在他們的20個測試任務中僅成功3個，失敗率高達70%。
但是AI世界的特點就是永遠不變的是變化。
今年4月，Cognition推出了一個AI代碼知識庫工具，在開發者社區口碑又極佳。DeepWiki的核心功能是一鍵生成代碼百科：只需將任意 GitHub 公共倉庫的鏈接中的「github」替換為「deepwiki」，即可訪問該項目的 AI 生成百科頁面。例如，把 github.com/owner/repo 改為 deepwiki.com/owner/repo，幾秒內就能看到結構化文檔、架構圖、模塊說明等。
說回到Congnition這個創業團隊。Cognition Labs成立於2023年11月，總部位於舊金山司。公司由三位國際資訊學奧林匹克（IOI）金牌得主--Scott Wu、Steven Hao 和 Walden Yan 共同創立（應該是華裔班底了）。最初，Cognition曾涉足加密貨幣領域，但在 ChatGPT 推出後，矽谷AI浪潮興起，Cognition果斷轉型，專注於AI。不過就算換賽道到AI，產品也不是一蹴而就，在訪談中，Scott說產品已經轉型了八次。這個可就太正常了，我採訪過很多CEO，公司能一直堅守最初商業計劃書路線的可太少了。所以就有很多風險投資說，投資其實不是投項目，是投人。
一、Devin：不僅僅是代碼助手，更是自主的AI軟體工程師
對話首先明確了Devin的定位。ScottWu強調，Devin與市面上其他的AI編程工具不同，它並非簡單的代碼補全或建議工具，而是一個能夠端到端自主完成軟體工程任務的「工程師」。可以把它想像成一位遠程初級工程師，你可以像與真人同事互動一樣，通過Slack、Linear或GitHub等平台與Devin協作。
Scott指出，Devin的核心在於其完整的異步工作流。你可以直接在Slack討論某個問題時@Devin，或者在項目管理工具Linear中將任務指派給Devin。Devin會理解任務需求，自主規劃並執行，最終在GitHub中創建拉取請求(PullRequest,PR)。這種交互模式被設計得儘可能貼近真實團隊中與初級工程師協作的體驗。
Scott回顧道，大約一年前Devin剛推出時，其能力更像是「高中電腦學生」或「大學實習生」的水平。當時，業界對於AI「代理」(Agent)能否真正實現自主工作還普遍存疑。那時的大語言模型，在推理能力上還處於比較初級的階段。然而，在過去的一年裡，隨著模型能力的飛速發展，特別是高算力強化學習範式的突破，Devin的能力得到了顯著提升，如今已達到「初級工程師」的水平。
不過，Scott也強調了「鋸齒狀智能」(jagged intelligence)的概念，即AI在某些方面遠超人類，而在另一些方面則遠遜於人類。因此，過去一年的工作不僅在於提升Devin的核心編碼和推理能力，同樣重要的還有打磨產品界面和交互方式，探索人類如何與AI代理高效協作。這包括增加Slack、GitHub、Linear集成，引入交互式規劃階段，以及允許用戶介入修改Devin生成的代碼等功能。如何讓用戶順暢地將任務委託給Devin，並與之有效互動，是Cognition團隊持續探索的核心課題。
二、Cognition的內部實踐：工程師與Devin協同工作的新範式
自然既然公司是干AI編碼的，團隊裡就不應該有太多人了。Scott Wu說整個工程團隊僅有大約15名工程師，但他們在構建Devin的過程中大量使用Devin自身。
據Scott介紹，團隊中的大多數工程師，在日常工作中常常會同時與多達五位Devin協作。這種異步工作方式允許工程師將多個任務並行處理。比如，工程師可以同時將五個不同的任務或問題分配給五個不同的Devin。當工程師在梳理問題、處理功能請求、修復Bug或構思新功能時，會自然地發現許多可以委託給Devin的環節。他們會簡單地@Devin，說明情況，然後讓Devin接手處理。
Devin每月會將數百個拉取請求合併到Devin自身的產品代碼庫中並投入生產環境。目前，由Devin提交的PR數量大約占到了公司總PR數量的四分之一。Scott預測，到今年年底，這一比例有望超過一半。這是一個指數級增長的趨勢，因為團隊不僅在提升Devin的能力，也在不斷優化與之協作的工作流程。
這種協作並非完全放任自流。有時，Devin能夠100%自主完成任務並提交PR，工程師只需審核合併即可。但在更多情況下，工程師需要在關鍵節點介入，提供指導。例如，在任務範圍界定、功能架構設計，或者對最終產出（如前端界面）進行主觀評估和微調時，工程師的專業判斷和反饋至關重要。目標是讓工程師聚焦於那些真正需要人類智慧和經驗的部分，而將大部分執行層面的工作交給Devin。
Scott形容這種模式為「賦能」和「放大」(multiply)。一方面，它放大了單個工程師的生產力，使其能同時管理一個「Devin小隊」；另一方面，它也放大了整個團隊的知識庫。因為Devin在與團隊中每一位成員協作的過程中，會不斷學習和積累關於代碼庫、技術棧和工作流程的知識，並將這些知識應用於新的任務中。
這裡向非技術讀者多解釋一下術語PR，它是Pull Request的縮寫，中文可以翻譯為「拉取請求」，它代表了一系列提議的代碼更改。
在軟體開發中，尤其是在使用像 Git 這樣的版本控制系統（通常託管在 GitHub、GitLab 等平台上）進行協作時，PR 是一個核心概念和工作流程：
1、提出更改：當一個開發者（在這個語境下，是 AI 工程師 Devin）完成了一部分代碼編寫工作（比如修復了一個 Bug、增加了一個新功能或對現有代碼進行了優化），他們不會直接修改主代碼庫（生產環境的代碼）。
2、創建PR：相反，會創建一個 Pull Request。這個 PR 包含了他們所做的所有代碼修改，並請求項目的維護者或其他團隊成員來審查這些更改。
3、審查與合併：團隊成員會審查 PR 中的代碼，提出意見或批准。一旦批准，這些代碼更改就會被「合併」 (merge) 到目標代碼庫（比如主分支或生產環境分支）中。
三、Devin的起源：從編程競賽到AI代理的探索之路
Devin的誕生並非一蹴而就，而是Cognition創始團隊長期積累和多次探索的結果。ScottWu分享道，團隊的核心成員大多相識多年，許多人來自競爭性編程(Competitive Programming)和數學競賽背景。雖然這是他們首次正式共事，但過去十年間一直保持著緊密聯繫。所以，這是打比賽互相認識的團隊。
在創立Cognition之前，團隊成員各自在AI領域有著豐富的經驗。Scott本人創立並運營了AI職業社交平台LunchClub達五年之久。聯合創始人Steven是ScaleAI的早期工程師，另一位聯合創始人Walden則是AI輔助編程工具Cursor的早期工程師。團隊其他成員也曾在Nuro、Waymo等知名AI公司任職，或創辦過自己的YC孵化機器學習工具初創公司。
大約在2023年底，這群對技術充滿熱情的夥伴決定攜手創業。他們堅信兩個核心趨勢：一是強化學習將是AI能力實現下一次重大飛躍的關鍵範式；二是產品體驗將從簡單的文本補全轉向更強大的AI代理(agents)。
Scott解釋說，早期如ChatGPT等模型主要基於模仿學習(imitationlearning)，即通過學習網際網路上的海量文本來模仿人類的語言模式。這種模型雖然知識淵博，能通過圖靈測試，但在執行複雜、多步驟的任務方面能力有限。而RL範式，特別是高算力RL，允許AI通過試錯來學習：執行任務、獲得關於結果正確與否的反饋，並利用這些反饋來改進策略。
編碼領域之所以成為Cognition的切入點，原因有二：
- 首先，團隊成員都是編程愛好者，「教AI編程」本身就極具吸引力；
- 其次，代碼天然擁有自動化的反饋閉環——你可以運行代碼、進行測試，這為RL提供了理想的訓練環境。
同時，團隊預見到，用戶與AI的交互將不再滿足於像GitHub Copilot那樣的文本補全模式。未來屬於能夠理解複雜指令、與真實世界工具交互、接收反饋、疊代優化並自主決策的AI代理。
有趣的是，Cognition的最初嘗試並非直接構建軟體工程師，而是在一個「黑客松」(hackathon)氛圍中，讓AI解決編程競賽題目。他們在感恩節期間租了一個Airbnb，聚集起來，探索如何利用代理循環(agenticloop)來提升解題能力。這個項目為後續Devin的誕生奠定了基礎。
儘管大方向明確（編碼+代理），但Scott坦言，在找到如今Devin的具體形態之前，團隊經歷了大約八次內部方向調整(pivot)。例如，最初的Devin只是接收任務然後輸出完整代碼，缺乏交互性；後來才逐步演化出讓用戶可以隨時介入、審閱計劃、共同確定任務範圍等協作功能。整個過程充滿了不斷的疊代和學習。
四、賦予Devin「人格」：從工具到協作者的轉變
一個顯著的特點是，Cognition選擇給他們的AI工程師取名為「Devin」，並鼓勵用戶將其視為一個「人」，至少是一個協作者。這與其他AI工具通常採用功能性或品牌化名稱的做法形成了鮮明對比。Scott Wu表示，這是團隊引以為傲的一個產品決策。
這個決策背後的邏輯在於，Devin的核心價值在於其自主性和能夠被「委託」任務的能力。將Devin定位為一個「初級夥伴」(juniorbuddy)，有助於用戶更好地理解和利用它的工作模式。Scott提到，在產品早期，許多用戶會對如何與Devin互動感到困惑。有些人會直接拋出非常宏大、模糊的任務，比如「對整個代碼庫進行大規模重構」，這顯然超出了一個（即便是AI）初級工程師的能力範圍。
通過將Devin類比為初級工程師，Cognition引導用戶採取更符合現實協作邏輯的方式：
循序漸進地引入：就像對待新入職的真人同事一樣，先讓Devin從設置開發環境、熟悉代碼庫開始。
從簡單任務入手：先分配一些小任務（比如「1個故事點」的任務），讓Devin逐漸熟悉項目。
提供必要的支持：確保Devin擁有運行代碼、測試、使用Linter或CI/CD工具所需的權限和環境。
異步協作：鼓勵用戶同時啟動多個Devin處理不同任務，並在需要時才介入提供反饋或調整方向，而不是全程同步監視。
Scott認為，「Devin」這個名字恰當地捕捉了這種產品理念的精髓：它是一個你可以委託任務、與之協作、並隨著時間推移共同學習和成長的自主實體。這種擬人化的設定，不僅關乎品牌形象，更深層次地影響了用戶預期和交互模式的建立。當然，Scott也風趣地補充道，與真人同事不同，Devin總是充滿熱情，樂於接受任務，並且從不抱怨範圍變更。
不知道大家還記得吧，我們之前發Linkedin創始人訪談的時候，霍夫曼說不要讓AI擬人。但是這裡的Devin反而要擬人。所以AI是一個新興創業流派，到底該怎麼做，並沒有統一結論。
五、軟體工程的未來：從「砌磚工」到「架構師」的轉型
訪談的核心議題之一是AI對軟體工程行業未來的深遠影響。ScottWu對此持樂觀態度，他認為，隨著AI能力的增強，編程非但不會消失，反而會變得越來越重要。他將軟體工程的本質定義為「告訴電腦做什麼」，而AI正是讓這種「指令傳達」變得更強大的工具。
Scott提出了一個核心觀點：AI將推動軟體工程師的角色從「砌磚工/泥瓦工」（bricklayer）轉變為「架構師/建築師」(architect)。他解釋說，目前軟體工程師大約只有10%的時間用於真正有趣、核心的部分——定義問題、思考解決方案、設計架構、權衡取捨。而另外90%的時間則耗費在相對繁瑣的實現細節上，比如調試Kubernetes錯誤、修復Bug、代碼遷移、版本升級等。
Devin這樣的AI工具，其價值正在於接管大部分「砌磚」的工作，讓工程師能夠將更多精力投入到「架構」層面。工程師仍然是主導者，負責高層次的指導、規範定義和決策，但他們的能力將被AI極大地放大。
針對「學習編程是否還有必要」這個熱門問題，Scott的回答是肯定的。他認為，學習電腦科學不僅僅是學習特定語言的語法，更重要的是培養邏輯分解問題的能力，以及理解電腦系統運行的基本模型和抽象概念（如資料庫、垃圾回收機制等）。
就像今天使用Python的工程師仍然需要理解底層抽象（儘管比匯編語言高級得多）一樣，未來與AI協作的工程師也需要具備精確思考、理解和指導AI的能力。掌握這些基礎知識，將使工程師能夠更有效地利用AI工具，構建更複雜、更強大的系統。
因此，Scott預測，未來幾年，程序員和工程師的數量不僅不會減少，反而會大幅增加。儘管「程序員」的具體工作形式會發生變化，但整個軟體行業的需求會因為生產力的提升而急劇擴張。這正是經濟學中「傑文斯悖論」(JevonsParadox)的體現：當某種資源的效率提高（成本降低）時，其總消耗量反而可能增加。軟體工程的歷史已經反覆證明了這一點，隨著開發效率的提升，人類總能找到更多需要軟體來解決的問題。AI的加入將進一步加速這一進程，催生出更多個性化體驗和創新應用。
六、Devin的學習與適應：代碼庫理解與Wiki生成
為了讓Devin能夠高效地在複雜的實際項目中工作，理解代碼庫的上下文至關重要。ScottWu介紹，Devin在處理一個新的代碼庫時，並不會一次性加載所有代碼。相反，它會像人類工程師一樣，首先建立一個高層次的抽象理解，把握整體架構和主要模塊。然後，在需要時，它能夠深入到具體的組件或文件中，獲取更詳細的資訊。
一個特別有趣的功能是，Devin會在學習代碼庫的過程中，自動生成一個內部的「DevinWiki」。這個Wiki不僅包含了Devin對代碼庫結構、關鍵組件、依賴關係等的理解，甚至可能包括架構圖、部署資訊等。例如，在演示中，Devin為DeepSeek代碼庫生成的Wiki就包含了FP8操作、SGLang集成、層級結構圖等內容。
Cognition團隊發現，這個原本為Devin內部理解服務的Wiki，對人類工程師也非常有用。工程師可以通過Wiki快速了解一個不熟悉的代碼庫，或者查詢特定功能的實現細節。演示中展示了直接向Wiki提問的功能，例如詢問DeepSeek如何處理多令牌預測，Devin能夠基於其對代碼庫的理解給出答案。
這個Wiki功能也衍生出了一個實用的場景：利用Devin幫助新員工入職(onboarding)。新員工加入團隊時，往往對龐大而複雜的代碼庫感到無從下手，並且可能不好意思頻繁打擾導師或經理詢問「愚蠢」的問題。這時，他們可以查閱DevinWiki，或者直接向Devin提問，以更自在、高效的方式熟悉項目。這再次體現了Devin的「鋸齒狀智能」：它在快速、全面地理解和索引代碼庫方面，可能比許多經驗豐富的工程師更強。
Devin的這種學習和知識積累能力，是其區別於簡單代碼生成工具的關鍵所在，也是其能夠隨著時間推移變得越來越有價值（即「粘性」增強）的重要原因。
七、與開發工具鏈的深度融合：Linear集成與異步工作流
為了讓Devin無縫融入現有的軟體開發流程，Cognition非常注重將其與主流工具鏈集成。訪談中他重點演示了Devin與項目管理工具Linear的集成。
Scott展示了一個最近推出的自動化功能：在Linear中，用戶只需為一個任務（如修復Bug或實現新功能）添加「Devin」標籤，Devin就會自動介入。它會分析任務描述，查閱相關的代碼片段，然後給出一個初步的分析報告，包括它對任務的理解、可能涉及的文件、以及它對自己完成該任務的信心水平評估。
用戶（無論是工程師還是產品經理）可以審閱Devin的分析。如果認為Devin的理解和計劃是合理的，就可以一鍵啟動一個Devin會話(session)，讓它開始實際執行任務。這個過程依然強調人機協作：人類負責最終決策和監督，而Devin則負責具體的執行。
這種集成極大地簡化了任務委派流程。產品經理（PM）也可以利用這個功能來更好地理解技術問題或項目狀態。Scott提到了LaunchDarkly的ClaireVo（本次訪談的問題貢獻者）作為Devin的用戶，她經常使用Devin來理解任務範圍、查詢數據、或了解某個功能是否已上線、是否處於特性開關(featureflag)控制下、覆蓋了多少用戶等等。這使得技術細節對非技術角色更加透明和易於訪問。
此外，Devin與Slack和GitHub的集成也體現了其融入團隊協作的理念。可以在Slack討論中直接召喚Devin；Devin完成工作後會在GitHub提交PR，團隊成員可以在GitHub上進行代碼評審(CodeReview)，Devin也能理解並根據評審意見進行修改。
這種與現有工具鏈的深度融合，以及對異步工作流的強調，是Devin區別於那些需要在特定IDE或封閉環境中使用的AI工具的關鍵特徵，也使其更容易被真實世界的工程團隊所採納。
八、AI時代的技能要求
訪談中，ScottWu還分享了他對AI時代所需技能以及創業過程的見解。
關於技能，他再次強調了從「砌磚工」到「架構師」的轉變。這意味著，純粹的、重複性的編碼實現能力的重要性可能會下降，而高層次的系統思考、問題定義、架構設計、複雜系統理解、跨團隊協作以及產品思維能力將變得更加關鍵。能夠清晰地定義問題、設計解決方案並有效指導AI完成執行的工程師，將能夠最大化地利用AI帶來的生產力提升。同時，學習如何與AI代理有效協作本身，也將成為一項重要技能。
Scott還分享了Cognition團隊在創業過程中的一些感悟，尤其是關於執行速度和人才招聘方面。他提到，儘管創業圈有很多「陳詞濫調」(cliches)，比如「快速行動」、「招聘優秀人才」、「構建人們想要的產品」、「貼近客戶」以及「著眼未來而非當下」。但他認為，成功的關鍵往往在於將這些基本原則執行到極致。
他用Cognition的早期經歷舉例，從黑客松到成立公司，再到產品發布和獲取客戶，整個過程節奏極快，幾乎是月度級別的疊代。
在人才招聘上，Scott分享了兩個令人印象深刻的故事，展示了團隊為了爭取頂尖人才所付出的非凡努力。第一個故事是關於一位極其優秀的MIT大三學生。為了說服他和他的父母同意他暫時休學加入Cognition，Scott和團隊成員親自飛往北卡羅來納州，與他的家人共進晚餐，深入溝通，最終找到了一個允許他兼顧學業和工作的方案。第二個故事是關於另一位才華橫溢的候選人，他收到了多家頂級公司的Offer。為了確保拿下，Cognition團隊甚至幫助他起草了給其他公司的婉拒信。Scott說，構建頂尖團隊需要為爭取到合適的人才而「戰鬥到底」。
最後，Scott分享了一個關於個人心態的感悟：在創業這場充滿不確定性的旅程中，既要全力以赴，追求卓越，又要保持內心的平和，不將個人的價值與一時的成敗過度捆綁。能夠坦然面對起伏，從每次經歷中學習並繼續前進，不僅有益於身心健康，也更能做出理性的決策，從而提高成功的概率。
九、AI軍備競賽？護城河、粘性與展望
談及AI領域的競爭格局，ScottWu提出了一個有趣的觀點：相比於傳統的「護城河」(moats)，他更傾向于思考「用戶粘性」(stickiness)。他認為，在AI領域，尤其是應用層，很難建立起阻止競爭對手進入的絕對壁壘。但可以通過構建深度融入用戶工作流、並能隨時間推移提供越來越大價值的產品，來提升用戶粘性。
對於Devin而言，粘性主要體現在兩個方面：
持續學習與個性化：Devin在與用戶和團隊的互動中，會不斷學習代碼庫的細節、技術棧的特點以及團隊的工作偏好。這種日積月累的「上下文知識」使得Devin對於特定團隊或項目而言，會變得越來越高效和「懂行」，替換成本也隨之增高。這就像一個在公司工作了五年的資深工程師，他對項目的理解深度遠非新人可比。
多人協作與網路效應：Devin被設計為團隊協作工具。一個工程師訓練好的Devin，其積累的知識可以被團隊其他成員（包括新入職的員工）共享和利用。團隊成員可以在Slack、GitHub、Linear等平台上圍繞Devin進行協作、提供反饋、修正方向。這種多人參與的模式進一步強化了Devin在團隊中的價值和粘性。
Scott認為，軟體工程領域天然具有「價值可衡量」的特點，這意味著更好的工具總有其用武之地。開發者群體也樂於嘗試和學習能提升效率的新工具。因此，Cognition的核心策略是持續專注於打磨「自主編碼代理」這一核心能力，不斷提升Devin的智能水平和產品體驗，使其對用戶的價值與日俱增。
對於未來的展望，Scott描繪了一個比較大膽的場景：未來可能存在多達「20代」編碼代理體驗的進化。最終形態可能是工程師不再直接查看或編寫代碼，而是通過自然語言或圖形界面直接與產品交互，描述想要實現的效果（比如「讓這個按鈕更圓潤一點」，「在這裡增加一個新標籤頁」，「為這個資訊創建一個資料庫表並建立索引」），然後由AI代理在後台完成所有實現工作。當然，從現在到那一步還有很長的路要走，需要克服大量的技術挑戰和現實世界工程的複雜性（比如處理遺留代碼，如COBOL、Fortran）。
他還提到了「Devin管理Devin」的可能性。Devin已經可以通過API調用來啟動其他的Devin實例，在處理大型複雜任務時，它有時會自動將任務分解並分配給「子Devin」並行處理。這種「Devin套娃」的模式，以及AI代理之間共享上下文、協同工作的潛力，預示著未來軟體開發可能出現全新的組織和協作範式。
十、技術基石與行業變革的宏觀視角
在討論支撐Devin的技術時，ScottWu並沒有將成功歸因於某一次特定的模型突破。雖然基礎模型能力的持續提升（他風趣地提到「現在每周都有新模型發布」）無疑是重要的推動力，但他認為，就「基礎智力」而言，現有的模型可能已經「基本足夠」。
Cognition的核心技術壁壘和研發重點，更多地在於如何「教導」這些基礎模型理解和應對真實世界軟體工程的複雜性和細微差別。這包括讓Devin學會使用各種開發工具（如Datadog）、診斷特定類型的錯誤、處理各種邊緣情況、遵循GitHubPR規範等等。Scott形容這個過程為「讓模型鏡像現實世界的複雜性」，而非僅僅提升其抽象的「IQ」。這需要大量的工程實踐、數據積累和針對性的微調工作。
Scott還從更宏觀的視角闡述了為何他認為AI將是「我們生命中最大的技術變革」。他對比了以往的技術革命，如個人電腦、網際網路和移動電話。這些革命都伴隨著漫長的硬體普及過程：需要時間讓足夠多的人擁有PC、接入網際網路、購買智慧型手機。這種硬體分發的滯後性，使得這些技術的影響是逐步展開的，市場也是逐年緩慢增長的。
而AI則根本不同。一旦AI的能力跨過某個閾值（Scott認為我們已經越過了這個拐點），其應用和普及幾乎可以瞬間完成，因為它主要是軟體層面的變革，不受硬體分發的物理限制。這種「爆炸性」(explosive)的潛力意味著變革的速度和廣度將遠超以往。這也解釋了為何AI領域的發展如此迅猛，新模型、新應用層出不窮。
因此，Scott強烈建議工程師們保持對AI發展的關注和學習。這不僅是為了掌握新工具、提升個人能力，也是為了能夠更好地「訓練」AI，使其理解自己所在項目和團隊的特定上下文，從而實現更高效的人機協作。
