昨晚OpenAI給 ChatGPT 上了個新功能：分支對話。

網頁端把鼠標放到某條回復上，點右下角的「?更多操作」，就能選「在新聊天中分支」。

簡單講，不用再傻乎乎地新開個對話，也不用拉一條線到幾百條消息那么長，最后把上下文撐爆。現在可以在某個節點直接「開岔路」。

如果把幾個月前上線的記憶功能放在一起看，會發現這是一個很有意思的組合：記憶解決「跨對話的連續性」；分支解決「單次對話的多線探索」。

過去跟 AI 聊天，很死板：新開一個對話是「起點」，點掉或者清空就是「終點」。對話像一條直線，往前走只能不斷累積，越長越混亂。

分支對話出來之后，這個邊界突然變模糊了。

我不用想「要不要新開個對話」，因為隨時可以在某個節點上岔開一條新線。

還記得豆包嗎？

有個臨時問題，問一下，問完就走，很方便；但問題是，過了半個小時，你又想接著剛才的問題往下聊，它就完全不記得上文了，只能當成一次新的問答。

這就是差別。

豆包邏輯是一次性：輕便，卻沒有連續性；而ChatGPT分支 + 記憶的邏輯是「接力」，隨時能在某個節點延伸，把思路保留下來繼續聊。

所以，說白了，邊界沒了，對話變得像一棵樹，隨時能在一個點上岔開一條新枝，想回去、想切換都行，整段聊天更像「線程」。

這意味著什么？智遠認為有三點：

一，對話的開始和結束意義變小了。以前新開對話要想清楚「我到底要聊啥」，現在完全不用糾結，順著聊就行，想在哪個點岔開就岔開。

二，過去聊著聊著很容易迷路，分支出來之后，我能把不同思路分開保存，像寫文檔時留多個版本。

要說第三點，我認為，上下文也更靈活了。不用一股腦往窗口里塞一大堆信息，聊著聊著，我直接跳出一個節點，和它討論一下，這多絲滑。

舉個自己體驗的例子：

昨天凌晨，Qwen3 發布了新模型 Qwen3-Max-Preview，我當時想發個小紅書，直接讓 ChatGPT 給我寫文案。

結果它給的內容偏宏觀：什么「更大模型」「推理速度更快」之類的，太籠統，不夠具體。那怎么辦？

我追問細節，它反而說「這個模型還沒正式發布，好像還在灰度，抓不到更精準的信息」。場面有點尷尬，它只能建議我寫「首發體驗」或者「首次曝光」的角度。

可今天早上上線了「分支對話」，我就順手點了「更多」，從那條回復開了個分支，和它單獨聊「我最期待 Qwen3 能有什么樣的能力」。

那半天我們就在新分支里來回討論，把思路拉開；這個話題聊完，我又切回原來的主線，讓它繼續寫小紅書文案。

然后，它居然把上下文接得很自然，記憶一點沒斷，整個過程特別絲滑。

所以，智遠認為，對話從直線變成樹狀，對AI助理來說，是特別大的變化。

光能分岔還不夠，這些分岔下來的對話，最后 ChatGPT 想把它變成什么？

過去大家用知識管理工具，不外乎 Notion、飛書文檔，硬核一點的還有 Obsidian，好處顯而易見，能結構化、分層級、做大綱，特別適合喜歡折騰的人。

可問題也很明顯：流程太重。

寫完文章還得歸檔，開完會還要手動寫總結，想讓它形成體系，就得不停維護；很多人一開始雄心勃勃，最后是堅持不下來，庫里一堆半拉子工程。

記憶和分支的邏輯完全不同。

核心是「順手」，你反正要跟 AI 聊天，要寫要想，它就順手把痕跡留了下來。下次要追溯，直接點開分支就行。

還有一點很關鍵：對話和筆記不一樣。

筆記常常是碎片化的，幾句話、幾個點，很容易脫離語境；對話不是，對話自帶上下文：你為什么問，它給了什么答案，你們怎么推演，整個過程都在。

這種語境，有時候比結論本身還更有價值；這讓我想到飛書、釘釘里的知識問答邏輯。

它們把「提問」當成起點：我問一個問題，系統給一堆答案。可答案不是終點，如果其中有能用的，我一鍵標記，就能同步到文檔，再編輯打磨，最后存進知識庫。

這樣才算完成一個「問答—文檔—知識庫」的閉環。

Perplexity 的老板也說過一句話：「問題才是起點」。問題一旦明確，后面的線索就能拉出來；你再看國內一些新產品，比如 ima、知乎知識庫，本質上也是都長在提問上。

所以我覺得，對話優勢有三點：

一邊用一邊沉淀，不用額外操作，這是知識累積；檢索更自然了，不用自己翻筆記，只要「問 AI」就能找出來；更重要的是，它保留了上下文，整個脈絡都在。

但對話也不是萬能的。

我今天用了一上午，還順手改了幾篇研究報告，發現它有時會「記不全」或者「啰嗦混亂」；說明它的記憶能力還要繼續提升。

說白了，現在還沒辦法完全把一個聊天、一個主題任務，直接托付給它去搭建成一套完整的知識體系。

可就算如此，我依然覺得，AI 和人的關系正在慢慢被重塑，它開始更像一個真正的「AI 助理」。

AI 助理，這個詞這幾年已經被叫爛了。絕大多數產品所謂的「助理」，是幫你干點機械活。類似于，寫個日程、優化個文檔，說白了就是代替「手和腳」。

可在思維和記憶層面，它們幾乎沒動過。一個對話聊完就結束，信息全斷掉，你根本不會覺得它真是助理。

現在情況不一樣了。記憶讓它能保留上下文，分支讓它能同時跑多條思路。你可以想象：

一個分支在負責推理和研究，另一個分支在幫你找數據和案例，再有一個分支，專門幫你打磨文案。這更一個像團隊一樣的 AI 助理。

舉個例子：

前幾天我用百度文庫寫東西，它的超能搭子 GenFlow邏輯跟我理解的「AI 助理」挺接近。

我先拋一個問題，它給我答案；基于答案，我可能要做個海報，再讓它把關鍵信息抽出來，順手驗證一下數據準不準，最后還幫我推理邏輯。

整個過程像有好幾個不同的 agent 在分工合作，而角色全都濃縮在同一個助理里。

所以我覺得，這條路通用 AI 遲早會走。

隨著模型越來越大、越來越智能，這種協作會越來越絲滑；到那時，每個人可能都會愿意為一個 AI 助理付費，因為買到的是一個可以代替、可以協作的伙伴。它真的在和人共創。

既然人和AI共創了，就繞不開一個老生常談的問題繞不開：上下文。

大家最關心「窗口夠不夠大」，32K、128K，甚至有人憧憬所謂的「無限上下文」，聽上去很誘人，好像誰能記得更多，誰就更先進。

可窗口再大，它本質上還是「一次性記憶」，你想把幾十頁資料、好幾輪推演全塞進去，最后模型答非所問太正常不過了。

而且，大窗口代價不小：推理更慢，成本更高。對大多數人來說，沒必要為「無限上下文」去買單。

所以我覺得，真正的關鍵在于 AI 能不能幫我們管理信息；換句話說，與其讓它背下整本書，不如讓它知道書在哪個書架，隨時能翻到對應章節。前者累又不可靠，后者才是更聰明的辦法。

記憶和分支帶來的，剛好是這種「書架式」體驗。

你不用硬塞所有資料，隨時能從歷史對話里開個分支，或者調用記憶繼續延展。

所以，智遠認為「把上下文做大」是一條技術路徑，但未必是未來答案。真正值得期待的，是 AI 有沒有能力，把信息分類、留存、調用得更順手。

你有沒有想過，當記憶和分支進化到足夠好時，我們還會在乎上下文窗口的大小嗎？

我不知道答案。

但智遠認為，未來我們討論的重點，不是「窗口」這種技術指標，是一個更大的命題：「對話操作系統」。

什么是對話操作系統？我的理解是：你打開一個聊天窗口，也就等于開啟了一個任務。

過去，一個任務往往要在好幾個應用里來回切；現在，隨著記憶和分支的進化，這些事情完全有可能在一個對話里搞定；你問它寫文章，它順便能調動表格；要做個海報，它能直接生成圖片。

對話，本身像一個外殼，可以隨時調用不同的工具或協議（比如 MCP），把整個流程串起來。

如果順著「外殼」的趨勢去看，互聯網演化的路徑其實很清楚：

最早大家把搜索當入口，一切從 Google 開始；后來瀏覽器成了入口，網頁承載了信息和應用；再后來手機操作系統，每一個 App 就是一個獨立的世界。

入口的變化，意味著新的操作系統形態。

今天，ChatGPT 的演化，正把「對話」推向下一個入口，它逐漸承載任務驅動、知識檢索、創作協作的各種形態；未來會不會在對話里，生長出一個基于對話的 WPS、一個 Office？我不知道。

但我知道的一點是：等到那一天，你不需要再切換那么多應用，一個對話就能解決所有事。

舉個例子：

你有一份合同要微調，過去得來回切 Word、郵件、PDF 編輯器，步驟一大堆。可在「對話操作系統」里，把初始版本丟進 Chat，任務就開始了。

它告訴你哪不對、哪需要改，你一句句指令「幫我調這個」「再改那個」。最后一句「把最終版導出來吧」，它直接生成 PDF，你點開就能打印，下一秒就能發給客戶。

所以，當我再談「記憶」和「分支」，再談一個雛形：未來操作系統，建立在對話之上；也許，「對話操作系統」才有想象空間。

可回頭看國內的產品，情況不一樣了。大家還在卷模型參數、推理速度，甚至價格補貼，但在「對話形態」上，幾乎沒有多少探索。

國內產品要怎么補課？至少，ChatGPT 已經給出了一個思路。