聊天之后的 AI Workspace：Artifacts、多窗口上下文与 Virtual Partners

AI chat 让前沿模型变得可用，但它并没有让 AI 工作天然可靠。

对开发者和架构师来说，限制很快就会出现。一个聊天线程可以解释设计、起草迁移计划或总结日志。但真正的工作不会停留在 transcript 里。它会变成图表、规格说明、补丁、研究笔记、测试结果、pull-request 评论、事故时间线、决策记录和后续任务。工作也会分叉：一个窗口调查生产行为，另一个比较供应商约束，另一个写设计备忘录，还有一个准备实施步骤。

因此，下一个 AI workspace 不只是更大的聊天框，而是一个管理 work objects、execution state、parallel surfaces 和 delegated continuity 的系统。

本文用四个设计问题描述这一转变：

1. 工作对象是什么？ 系统是在生成答案，还是生成可检查、可修订、可交付的持久 artifact？
2. 运行时真相在哪里？ Workspace 是否区分说过什么、执行过什么以及改变了什么？
3. 可以并行运行多少个界面？ 用户能否同时保留多个窗口、session、pane 和 context，而不是把一切压进同一条线程？
4. 谁负责连续性？ 是否存在 workspace 级的 virtual partner，用来拆解、委派、跟踪并综合跨 session 的工作？

这些问题现在比产品是否有聊天界面更重要。Chat 是入口，workspace 才是控制平面。

Four layers of AI work: Chat, Artifact, Runtime, and Virtual Partner

1. 为什么聊天框不够

聊天框很适合轮流对话，却不擅长保留工作边界。单一 transcript 会混合用户意图、模型推理、工具结果、草稿、需要持久化的决策、临时失败，以及可能需要审计或重放的行动历史。

短问答可以容忍这种混合；一旦 AI 被要求执行多步骤流程、协调文件、使用工具或在 session 之间交接工作，它就会变得脆弱。开发者熟悉这个道理：日志、源码、构建、测试、部署状态和 issue 评论彼此相关，但不应该被存成一条没有区分的字符串。

同样的原则适用于 AI workspaces。当 AI 进入严肃工作流，workspace 必须区分 conversation 与 output、output 与 runtime state、runtime state 与长期 decision memory。

2. 面向后聊天时代 AI workspaces 的四个设计问题

Question 1: 什么算工作对象？

Response 是短暂的；artifact 是持久的。在 chat-first 系统里，价值单元默认是答案；在 workspace-first 系统里，价值单元通常是 work object：文档、代码补丁、研究表、图、测试计划、决策日志、spreadsheet、presentation 或 task board。这个对象应该有状态，能在生成它的那一轮之后继续存在，也能在不重放整个对话的情况下被审阅。

这就是 artifact 和 canvas 模式重要起来的原因。Claude 将 Artifacts 描述为独立且有实质内容的产物，通常超过 15 lines，其支持文档列出每个 artifact 可持久存储 20 MB。ChatGPT Canvas 也以不同方式处理较长内容；OpenAI 表示，当生成内容超过 10 lines 时，Canvas 可能自动打开。这些是小产品细节，却指向更大的方向：重要的 AI 输出需要自己的表面。

更深层的架构问题不是产品是否打开侧边栏，而是 artifact 是否有生命周期：draft、inspect、revise、validate、complete，必要时还可以 hand off。

Question 2: 运行时真相在哪里？

Transcript 是对话记录，但不总是执行真相的最佳来源。当 agent 编辑文件、调用外部工具、打开浏览器、读取文档或运行测试时，workspace 需要知道的不只是模型说了什么，还要知道尝试了什么、完成了什么、失败了什么、改变了什么，以及结果由什么证据支撑。Execution controller 和 transcript 应该相关，但不应相同。

这种分离有三点价值。第一，它提高可靠性：用户可以追问系统是真的运行了检查，还是只是声称运行了。第二，它提高恢复能力：长任务经常中途失败，理解 execution state 的 workspace 比只有部分叙述的 chat thread 更容易安全恢复或改道。第三，它改善治理：团队环境中的 audit trail 应区分 instruction、action、result 和 decision，尤其是在 agents 横跨 repositories、documents、SaaS systems 和 local materials 工作时。

原则很简单：transcript 应该解释工作，但不应是工作存在的唯一位置。

Question 3: 用户能承载多少并行界面？

AI 工作正在变成 multi-window。旧模式是一个用户、一个 assistant、一个 thread；新模式是拥有多层结构的 workspace：

• Workspace：围绕材料、sessions 和偏好的持久边界。
• Session：面向任务的 conversation 或 workstream。
• Tab：并行注意力的可见单元。
• Pane：artifact、browser、terminal、document 或 comparison view 的局部表面。
• Window：承载不同阶段或项目的操作系统级容器。

这个层级不是装饰，而是现实工作方式。开发者可能让一个 session 关注架构取舍，另一个关注实现，另一个关注测试，另一个关注 release notes。架构师可能在一个 pane 比较 cloud-agent 行为，同时在另一个 pane 起草内部标准。好的 multi-window AI workspace 不只是更多屏幕空间，而是 context partitioning system。

Question 4: 谁保持连续性？

Artifacts 和 windows 之后的下一步，是 workspace 级的 partner。它不应被理解为头像或装饰性助手；有用的版本更像 orchestrator：理解 workspace goal，拆解工作，委派子任务，跟踪进度，发现缺失证据，并总结决策。用户仍然拥有判断，partner 维护 operational memory。

这让 virtual partner 或 sprite-like workspace presence 具有技术意义。它可以帮助回答：哪些 sessions 是 active、blocked 或 complete？哪个 artifact 是当前候选交付物？哪些 assumptions 尚未验证？哪条工作分支应合并到最终输出？哪些 context 因属于不同任务或权限边界而应保持隔离？换言之，virtual partner 是 coordination layer。

3. Artifact discipline：从回复到交付物

Artifacts 常被当成 UI 功能介绍，但更重要的概念是纪律。Claude Artifacts 和 ChatGPT Canvas 都说明生成工作需要独立、可编辑的表面。Claude Projects 还加入了更广的项目上下文模型：Anthropic 描述 Projects 支持 200K context window，大约相当于一本 500-page book。ChatGPT Projects 则围绕 chats、files 和 instructions 建立 workspace-like 边界，文件和协作者限制取决于 plan。

对 MCPlato 来说，公开原则不是“我们又有一个文档面板”，而是 AI-native workspace 应让输出具备状态并可审阅。实用的 artifact discipline 包括：

• stateful deliverables，而不只是对话片段；
• phase awareness，让 draft、candidate 和 final output 不被等同处理；
• context and tool isolation，避免一个 workstream 继承无关假设或权限；
• completion checks，让“done”意味着证据已收集、约束已满足，而不是模型停止生成；
• decision trace，让用户理解 artifact 为什么变成这样。

这比“autonomous agent”听起来更不神奇，但也更有用。大多数专业用户不需要永远独立行动的 AI；他们需要留下可信、可检查、可修改对象的 AI。

4. Runtime 与 monolith 问题

许多 AI 产品最初都是 monolith：chat thread、tool runner、file picker、memory layer 和 UI 绑在一起。这有利于早期速度，但工作流增长后会受限。Workspace runtime 至少要协调四种 truth：

1. Conversation truth：用户问了什么，assistant 回复了什么。
2. Material truth：用了哪些 source files、documents、pages 和 data。
3. Execution truth：执行了哪些 actions，返回了哪些 results。
4. Decision truth：团队接受、拒绝、延后或交付了什么。

如果四者都被压进 transcript，workspace 难以检查；如果分离后没有连贯体验，系统又会碎片化。挑战是在分离关注点的同时让工作仍然清晰可读。

对开发者和架构师而言，这直接对应熟悉的设计模式：不要让 application logs 成为 database，不要让 CI job transcript 成为 release artifact，也不要让设计会议录音成为唯一的 architecture decision record。AI workspaces 需要同样的分离。

最好的 runtime 不是把一切藏在顺滑聊天动画后面的 runtime，而是当答案重要时能展示发生了什么的 runtime。

5. Multi-window context：从一条线程到多个工作表面

Agents 越强，单一 thread 就越不够。单线程模型迫使用户把天然并行的工作串行化：research 等 drafting，drafting 等 source checks，source checks 等 formatting，implementation 等 design confirmation，testing 等 implementation。这安全但缓慢，也让用户承担过多记忆负担。

Multi-window AI workspace 应支持并行而不失一致性。关键不只是同时运行多个 agents，而是给每条 workstream 清晰边界，并提供调和它们的方法。

Workspace comparison map: Chat/Canvas, IDE Agent, Cloud Agent, and AI-Native Workspace

不同产品类别优化不同表面：

因此，post-chat workspace 不太可能是一种万能 UI，而会是能承载多种工作模式的分层环境。

6. Virtual Partner / Sprite：编排，而不是表演

“virtual partner” 很容易变成噱头。悬浮在 workspace 上方的一张脸并不能解决 context management。有用版本是 operational 的：像 workspace 级 coordinator，可以把高层目标翻译成 sub-workstreams，分配给不同 sessions 或 agents，跟踪 blockers、open questions 和 finished outputs，判断 artifact 何时可供 review，总结竞争 drafts 或 branches 的差异，并跨天保存 decision history。

区别很重要。Chatbot 是 interlocutor；virtual partner 是 coordinator。对 MCPlato 来说，这是重要的公开设计方向之一：AI-native workspace 应帮助用户把多个 AI sessions 作为一个连贯 partner system 来运行。这不是移除人类，而是降低人类作为唯一 scheduler、memory keeper 和 merge manager 的负担。

诚实的边界是 orchestration 很难。它需要清晰权限、可见状态和良好失败处理。一个静默委派却不展示状态的 workspace partner 会比聊天框更糟；partner 必须让 coordination 可检查。

7. Competitor comparison：数字揭示了什么

市场已经走向结构化 workspaces，但不同厂商在证明不同要点。

Claude and ChatGPT：从聊天到项目上下文和可编辑表面

Claude Projects 展示了大共享上下文的力量。Anthropic 表示 Projects 使用 200K context window，约等于 500-page book。Claude Artifacts 则为独立的实质输出提供单独表面，文档描述 artifacts 通常超过 15 lines，并列出每个 artifact 20 MB 的持久存储。ChatGPT Canvas 对生成内容呈现类似模式；OpenAI 表示生成内容超过 10 lines 时 Canvas 可能自动打开。ChatGPT Projects 增加项目级组织，覆盖 chats、uploaded files、instructions 和 collaborators，限制取决于 plan 和 workspace settings。

这些产品验证了 artifact 和 project boundaries，但用户体验仍倾向围绕主 assistant conversation。

GitHub Copilot and Cursor：codebase 作为 workspace

Developer tools 展示了另一种重心：repository。Microsoft 报告称 GitHub Copilot 有 20 million users，被 90% of the Fortune 100 使用，且 FY2025 Q4 中 Copilot Enterprise 客户环比增长 75%。GitHub 的 Copilot Workspace 公告也以超过 100 million developers 的 GitHub 为背景，并引用 Copilot “up to 55%” 的生产力提升说法。

Cursor 的 Series D 公告显示投资者和开发者对这一层的重视：Cursor 称其以 $29.3 billion post-money valuation 融资 $2.3 billion，年化收入超过 $1 billion，服务数百万开发者，并拥有超过 300 employees。

这些数字说明 developer workspaces 不再是旁支功能，而正成为主要 AI operating environments。

Replit and Devin：cloud execution 作为 workspace

Cloud agents 把 workspace 边界从本地机器推向云端。Replit Agent 3 强调更长的 autonomous execution：Replit 表示它可工作最多 200 minutes，10x more autonomous，并让测试 3x faster、10x more cost-effective。另据 Replit 公告，其以 $9 billion 估值融资 $400 million，拥有超过 50 million users，服务 85% of the Fortune 500，并预计到 2026 年底达到 $1 billion run-rate revenue。

Devin 的公开定价也体现 agent work 的运营化：pricing page 列出 Pro 为 $20/month，Max 为 $200/month，Teams 为 $80/month，相关 plan 最多支持 10 concurrent sessions。

这些产品强调 delegation 和 execution。风险在 inspectability：用户需要看到的不只是最终结果，还有路径和 assumptions。

Manus and Notion：广度与 workspace memory

Manus Wide Research 突出了 parallel breadth。其文档描述 hundreds of independent agents、最多测试 250 items、数分钟处理 50–100 items，并声称传统 AI 在超过 8–10 items 后会退化。不论是否同意每个 benchmark framing，产品方向很明确：通过分叉大量独立单元来扩展工作。

Notion 从 knowledge 和 organizational memory 进入这个问题。其 custom agents 文档描述试用后价格为 $10 per 1,000 credits，并在 80% 和 100% 时发送 usage notifications。这更少关于 agent autonomy，更多关于把 AI 嵌入持久团队知识表面。

共同信号是：AI 正从答案生成走向 managed work systems。

8. MCPlato 的位置

MCPlato 更适合被归入 AI-native workspace，而不是纯 chat product、IDE 或 cloud-only autonomous agent。它的公开价值主张最适合那些需要在 connected materials 之间协调多个 AI sessions，并产出可审阅输出的工作流。实际包括 research-to-article pipelines、multi-source analysis、document production、task decomposition、cross-session review，以及需要 traceable decisions 的 developer/architect workflows。

关键论点不是 MCPlato 会替代所有专用工具。它不会。Cursor 和 GitHub Copilot 更靠近编码 inner loop；Claude 和 ChatGPT 是强大的通用模型界面；Replit 和 Devin 聚焦 cloud execution 和软件委派；Notion 深度嵌入团队知识库。

MCPlato 的机会在这些模式之间的 coordination layer：

• session-based work，让不同任务线程保持分离但彼此连接；
• local-first material handling，在合适场景下处理 connected directories 和 files，而不是把每个任务都变成 cloud upload pattern；
• artifact discipline，让输出成为 deliverables，而不是丢失的 chat snippets；
• multi-window context，让 parallel workstreams 保持可见；
• virtual partner orchestration，帮助拆解、委派、跟踪和总结；
• decision trace，让用户审阅改变了什么以及为什么。

边界同样重要。MCPlato 不应假装 orchestration 能取消 review。Multi-session AI work 在 context boundaries 不清时会放大错误。Local-first workflows 仍需要谨慎的 permission management。Artifact completion checks 会降低风险，但不能保证正确。Virtual partner 可以跟踪工作，但必须暴露 assumptions 和 status。

这是正确取舍。目标不是完全自主的魔法，而是让 AI work 变得 inspectable、interruptible 和 composable。

9. Conclusion：workspace 就是产品

聊天框仍然有用，它是提问、澄清和迭代最快的方式。但它已不足以作为严肃 AI 工作的主要容器。

Post-chat AI workspace 需要四层：

1. Chat：表达意图和对话。
2. Artifacts：持久 work objects。
3. Runtime：execution state、evidence 和 recovery。
4. Virtual partners：跨 session 的 coordination 和 continuity。

这个类别的赢家不只是拥有最聪明的 assistant，而是让 AI work 可读：正在做什么、来自哪里、运行了什么、失败了什么、接受了什么，以及还有什么未解决。

对开发者和架构师来说，这是熟悉的经验：系统在 state 明确、boundaries 清晰、outputs 可检查时才值得信任。AI workspaces 终于开始学习同一条规则。

References

1. Anthropic, “Introducing Projects,” https://www.anthropic.com/news/projects
2. Anthropic Support, “What are Artifacts and how do I use them?”, https://support.claude.com/en/articles/9487310-what-are-artifacts-and-how-do-i-use-them
3. OpenAI Help Center, “What is the Canvas feature in ChatGPT and how do I use it?”, https://help.openai.com/en/articles/9930697-what-is-the-canvas-feature-in-chatgpt-and-how-do-i-use-it
4. OpenAI Help Center, “Projects in ChatGPT,” https://help.openai.com/en/articles/10169521-projects-in-chatgpt
5. Microsoft Investor Relations, “FY25 Q4 Earnings,” https://www.microsoft.com/en-us/investor/events/fy-2025/earnings-fy-2025-q4.aspx
6. GitHub Blog, “GitHub Copilot Workspace,” https://github.blog/news-insights/product-news/github-copilot-workspace/
7. Replit Blog, “Introducing Agent 3,” https://replit.com/blog/introducing-agent-3-our-most-autonomous-agent-yet
8. Replit Blog, “Replit raises $400 million,” https://replit.com/blog/replit-raises-400-million-dollars
9. Devin, “Pricing,” https://devin.ai/pricing/
10. Manus Docs, “Wide Research,” https://manus.im/docs/features/wide-research
11. Cursor Blog, “Series D,” https://cursor.com/blog/series-d
12. Notion Help, “Everything you can do with Notion AI,” https://www.notion.com/help/guides/everything-you-can-do-with-notion-ai