聊天之後的 AI Workspace：Artifacts、多視窗脈絡與 Virtual Partners

AI chat 讓前沿模型變得可用，但它並沒有讓 AI 工作天然可靠。

對開發者和架構師來說，限制很快就會出現。聊天執行緒可以解釋設計、起草遷移計畫或總結日誌。但真正的工作不會停留在 transcript 裡。它會變成圖表、規格說明、修補、研究筆記、測試結果、pull-request 評論、事故時間軸、決策記錄和後續任務。工作也會分叉：一個視窗調查生產行為，另一個比較供應商約束，另一個撰寫設計備忘錄，還有一個準備實作步驟。

因此，下一個 AI workspace 不只是更大的聊天框，而是一個管理 work objects、execution state、parallel surfaces 和 delegated continuity 的系統。

本文用四個設計問題描述這一轉變：

1. 工作物件是什麼？ 系統是在生成答案，還是生成可檢查、可修訂、可交付的持久 artifact？
2. 執行時真相在哪裡？ Workspace 是否區分說過什麼、執行過什麼以及改變了什麼？
3. 可以平行執行多少個介面？ 使用者能否同時保留多個視窗、session、pane 和 context，而不是把一切壓進同一條執行緒？
4. 誰負責連續性？ 是否存在 workspace 級的 virtual partner，用來拆解、委派、追蹤並綜合跨 session 的工作？

這些問題現在比產品是否有聊天介面更重要。Chat 是入口，workspace 才是控制平面。

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

1. 為什麼聊天框不夠

聊天框很適合輪流對話，卻不擅長保留工作邊界。單一 transcript 會混合使用者意圖、模型推理與中間假設、工具結果、可能成為交付物也可能不會的草稿、應該持久保存的決策、暫時失敗，以及可能需要審計或重放的行動歷史。

短問答可以容忍這種混合；一旦 AI 被要求執行多步驟流程、協調文件、使用工具或在 session 之間交接工作，它就會變得脆弱。開發者熟悉這個道理：日誌、原始碼、建置、測試、部署狀態和 issue 評論彼此相關，但不應該被存成一條沒有區分的字串。

同樣的原則適用於 AI workspaces。當 AI 進入嚴肅工作流，workspace 必須區分 conversation 與 output、output 與 runtime state、runtime state 與長期 decision memory。

2. 面向後聊天時代 AI workspaces 的四個設計問題

Question 1: 什麼算工作物件？

Response 是短暫的；artifact 是持久的。在 chat-first 系統裡，價值單元預設是答案；在 workspace-first 系統裡，價值單元通常是 work object：文件、程式碼修補、研究表格、圖、測試計畫、決策日誌、spreadsheet、presentation 或 task board。這個物件應該有狀態，能在生成它的那一輪之後繼續存在，也能在不重放整段對話的情況下被審閱。

這就是 artifact 和 canvas 模式重要起來的原因。Claude 將 Artifacts 描述為獨立且有實質內容的產物，通常超過 15 lines，其支援文件列出每個 artifact 可持久儲存 20 MB。ChatGPT Canvas 也以不同方式處理較長內容；OpenAI 表示，當生成內容超過 10 lines 時，Canvas 可能自動開啟。這些是小產品細節，卻指向更大的方向：重要的 AI 輸出需要自己的介面。

更深層的架構問題不是產品是否開啟側邊欄，而是 artifact 是否有生命週期：draft、inspect、revise、validate、complete，必要時還可以 hand off。

Question 2: 執行時真相在哪裡？

Transcript 是對話記錄，但不總是執行真相的最佳來源。當 agent 編輯文件、呼叫外部工具、開啟瀏覽器、讀取文件或執行測試時，workspace 需要知道的不只是模型說了什麼，還要知道嘗試了什麼、完成了什麼、失敗了什麼、改變了什麼，以及結果由什麼證據支撐。Execution controller 和 transcript 應該相關，但不應相同。

這種分離有三點價值。第一，它提高可靠性：使用者可以追問系統是真的執行了檢查，還是只是聲稱執行了。第二，它提高復原能力：長任務經常中途失敗，理解 execution state 的 workspace 比只有部分敘述的 chat thread 更容易安全復原或改道。第三，它改善治理：團隊環境中的 audit trail 應區分 instruction、action、result 和 decision，尤其是在 agents 橫跨 repositories、documents、SaaS systems 和 local materials 工作時。

原則很簡單：transcript 應該解釋工作，但不應是工作存在的唯一位置。

Question 3: 使用者能承載多少平行介面？

AI 工作正在變成 multi-window。舊模式是一個使用者、一個 assistant、一個 thread；新模式是擁有多層結構的 workspace：

• Workspace：圍繞材料、sessions 和偏好的持久邊界。
• Session：面向任務的 conversation 或 workstream。
• Tab：平行注意力的可見單元。
• Pane：artifact、browser、terminal、document 或 comparison view 的局部介面。
• Window：承載不同階段或專案的作業系統級容器。

這個層級不是裝飾，而是現實工作方式。開發者可能讓一個 session 關注架構取捨，另一個關注實作，另一個關注測試，另一個關注 release notes。架構師可能在一個 pane 比較 cloud-agent 行為，同時在另一個 pane 起草內部標準。好的 multi-window AI workspace 不只是更多螢幕空間，而是 context partitioning system。

Question 4: 誰保持連續性？

Artifacts 和 windows 之後的下一步，是 workspace 級的 partner。它不應被理解為頭像或裝飾性助手；有用的版本更像 orchestrator：理解 workspace goal，拆解工作，委派子任務，追蹤進度，發現缺失證據，並總結決策。使用者仍然擁有判斷，partner 維護 operational memory。

這讓 virtual partner 或 sprite-like workspace presence 具有技術意義。它可以幫助回答：哪些 sessions 是 active、blocked 或 complete？哪個 artifact 是目前候選交付物？哪些 assumptions 尚未驗證？哪條工作分支應合併到最終輸出？哪些 context 因屬於不同任務或權限邊界而應保持隔離？換言之，virtual partner 是 coordination layer。

3. Artifact discipline：從回覆到交付物

Artifacts 常被當成 UI 功能介紹，但更重要的概念是紀律。Claude Artifacts 和 ChatGPT Canvas 都說明生成工作需要獨立、可編輯的介面。Claude Projects 還加入了更廣的專案脈絡模型：Anthropic 描述 Projects 支援 200K context window，大約相當於一本 500-page book。ChatGPT Projects 則圍繞 chats、files 和 instructions 建立 workspace-like 邊界，文件和協作者限制取決於 plan。

對 MCPlato 來說，公開原則不是「我們又有一個文件面板」，而是 AI-native workspace 應讓輸出具備狀態並可審閱。實用的 artifact discipline 包含：

• stateful deliverables，而不只是對話片段；
• phase awareness，讓 draft、candidate 和 final output 不被等同處理；
• context and tool isolation，避免一個 workstream 繼承無關假設或權限；
• completion checks，讓「done」意味著證據已收集、約束已滿足，而不是模型停止生成；
• decision trace，讓使用者理解 artifact 為什麼變成這樣。

這比「autonomous agent」聽起來更不神奇，但也更有用。大多數專業使用者不需要永遠獨立行動的 AI；他們需要留下可信、可檢查、可修改物件的 AI。

4. Runtime 與 monolith 問題

許多 AI 產品最初都是 monolith：chat thread、tool runner、file picker、memory layer 和 UI 綁在一起。這有利於早期速度，但工作流成長後會受限。Workspace runtime 至少要協調四種 truth：

1. Conversation truth：使用者問了什麼，assistant 回覆了什麼。
2. Material truth：用了哪些 source files、documents、pages 和 data。
3. Execution truth：執行了哪些 actions，返回了哪些 results。
4. Decision truth：團隊接受、拒絕、延後或交付了什麼。

如果四者都被壓進 transcript，workspace 難以檢查；如果分離後沒有連貫體驗，系統又會碎片化。挑戰是在分離關注點的同時讓工作仍然清楚可讀。

對開發者和架構師而言，這直接對應熟悉的設計模式：不要讓 application logs 成為 database，不要讓 CI job transcript 成為 release artifact，也不要讓設計會議錄音成為唯一的 architecture decision record。AI workspaces 需要同樣的分離。

最好的 runtime 不是把一切藏在順滑聊天動畫後面的 runtime，而是當答案重要時能展示發生了什麼的 runtime。

5. Multi-window context：從一條執行緒到多個工作介面

Agents 越強，單一 thread 就越不夠。單執行緒模型迫使使用者把天然平行的工作序列化：research 等 drafting，drafting 等 source checks，source checks 等 formatting，implementation 等 design confirmation，testing 等 implementation。這安全但緩慢，也讓使用者承擔過多記憶負擔。

Multi-window AI workspace 應支援平行而不失一致性。關鍵不只是同時執行多個 agents，而是給每條 workstream 清楚邊界，並提供調和它們的方法。

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

不同產品類別優化不同介面：

因此，post-chat workspace 不太可能是一種萬用 UI，而會是能承載多種工作模式的分層環境。

6. Virtual Partner / Sprite：編排，而不是表演

「virtual partner」很容易變成噱頭。懸浮在 workspace 上方的一張臉並不能解決 context management。有用版本是 operational 的：像 workspace 級 coordinator，可以把高層目標翻譯成 sub-workstreams，分配給不同 sessions 或 agents，追蹤 blockers、open questions 和 finished outputs，判斷 artifact 何時可供 review，總結競爭 drafts 或 branches 的差異，並跨天保存 decision history。

區別很重要。Chatbot 是 interlocutor；virtual partner 是 coordinator。對 MCPlato 來說，這是重要的公開設計方向之一：AI-native workspace 應幫助使用者把多個 AI sessions 作為一個連貫 partner system 來執行。這不是移除人類，而是降低人類作為唯一 scheduler、memory keeper 和 merge manager 的負擔。

誠實的邊界是 orchestration 很難。它需要清楚權限、可見狀態和良好失敗處理。一個靜默委派卻不展示狀態的 workspace partner 會比聊天框更糟；partner 必須讓 coordination 可檢查。

7. Competitor comparison：數字揭示了什麼

市場已經走向結構化 workspaces，但不同廠商在證明不同要點。

Claude and ChatGPT：從聊天到專案脈絡和可編輯介面

Claude Projects 展示了大共享脈絡的力量。Anthropic 表示 Projects 使用 200K context window，約等於 500-page book。Claude Artifacts 則為獨立的實質輸出提供單獨介面，文件描述 artifacts 通常超過 15 lines，並列出每個 artifact 20 MB 的持久儲存。ChatGPT Canvas 對生成內容呈現類似模式；OpenAI 表示生成內容超過 10 lines 時 Canvas 可能自動開啟。ChatGPT Projects 增加專案級組織，覆蓋 chats、uploaded files、instructions 和 collaborators，限制取決於 plan 和 workspace settings。

這些產品驗證了 artifact 和 project boundaries，但使用者體驗仍傾向圍繞主 assistant conversation。

GitHub Copilot and Cursor：codebase 作為 workspace

Developer tools 展示了另一種重心：repository。Microsoft 報告稱 GitHub Copilot 有 20 million users，被 90% of the Fortune 100 使用，且 FY2025 Q4 中 Copilot Enterprise 客戶環比成長 75%。GitHub 的 Copilot Workspace 公告也以超過 100 million developers 的 GitHub 為背景，並引用 Copilot “up to 55%” 的生產力提升說法。

Cursor 的 Series D 公告顯示投資者和開發者對這一層的重視：Cursor 稱其以 $29.3 billion post-money valuation 募資 $2.3 billion，年化收入超過 $1 billion，服務數百萬開發者，並擁有超過 300 employees。

這些數字說明 developer workspaces 不再是旁支功能，而正成為主要 AI operating environments。

Replit and Devin：cloud execution 作為 workspace

Cloud agents 把 workspace 邊界從本地機器推向雲端。Replit Agent 3 強調更長的 autonomous execution：Replit 表示它可工作最多 200 minutes，10x more autonomous，並讓測試 3x faster、10x more cost-effective。另據 Replit 公告，其以 $9 billion 估值募資 $400 million，擁有超過 50 million users，服務 85% of the Fortune 500，並預計到 2026 年底達到 $1 billion run-rate revenue。

Devin 的公開定價也體現 agent work 的營運化：pricing page 列出 Pro 為 $20/month，Max 為 $200/month，Teams 為 $80/month，相關 plan 最多支援 10 concurrent sessions。

這些產品強調 delegation 和 execution。風險在 inspectability：使用者需要看到的不只是最終結果，還有路徑和 assumptions。

Manus and Notion：廣度與 workspace memory

Manus Wide Research 突出了 parallel breadth。其文件描述 hundreds of independent agents、最多測試 250 items、數分鐘處理 50–100 items，並聲稱傳統 AI 在超過 8–10 items 後會退化。不論是否同意每個 benchmark framing，產品方向很明確：透過分叉大量獨立單元來擴展工作。

Notion 從 knowledge 和 organizational memory 進入這個問題。其 custom agents 文件描述試用後價格為 $10 per 1,000 credits，並在 80% 和 100% 時發送 usage notifications。這較少關於 agent autonomy，更多關於把 AI 嵌入持久團隊知識介面。

共同訊號是：AI 正從答案生成走向 managed work systems。

8. MCPlato 的位置

MCPlato 更適合被歸入 AI-native workspace，而不是純 chat product、IDE 或 cloud-only autonomous agent。它的公開價值主張最適合那些需要在 connected materials 之間協調多個 AI sessions，並產出可審閱輸出的工作流。實際包含 research-to-article pipelines、multi-source analysis、document production、task decomposition、cross-session review，以及需要 traceable decisions 的 developer/architect workflows。

關鍵論點不是 MCPlato 會取代所有專用工具。它不會。Cursor 和 GitHub Copilot 更靠近編碼 inner loop；Claude 和 ChatGPT 是強大的通用模型介面；Replit 和 Devin 聚焦 cloud execution 和軟體委派；Notion 深度嵌入團隊知識庫。

MCPlato 的機會在這些模式之間的 coordination layer：

• session-based work，讓不同任務執行緒保持分離但彼此連接；
• local-first material handling，在合適場景下處理 connected directories 和 files，而不是把每個任務都變成 cloud upload pattern；
• artifact discipline，讓輸出成為 deliverables，而不是遺失的 chat snippets；
• multi-window context，讓 parallel workstreams 保持可見；
• virtual partner orchestration，幫助拆解、委派、追蹤和總結；
• decision trace，讓使用者審閱改變了什麼以及為什麼。

邊界同樣重要。MCPlato 不應假裝 orchestration 能取消 review。Multi-session AI work 在 context boundaries 不清時會放大錯誤。Local-first workflows 仍需要謹慎的 permission management。Artifact completion checks 會降低風險，但不能保證正確。Virtual partner 可以追蹤工作，但必須暴露 assumptions 和 status。

這是正確取捨。目標不是完全自主的魔法，而是讓 AI work 變得 inspectable、interruptible 和 composable。

9. Conclusion：workspace 就是產品

聊天框仍然有用，它是提問、釐清和迭代最快的方式。但它已不足以作為嚴肅 AI 工作的主要容器。

Post-chat AI workspace 需要四層：

1. Chat：表達意圖和對話。
2. Artifacts：持久 work objects。
3. Runtime：execution state、evidence 和 recovery。
4. Virtual partners：跨 session 的 coordination 和 continuity。

這個類別的贏家不只是擁有最聰明的 assistant，而是讓 AI work 可讀：正在做什麼、來自哪裡、執行了什麼、失敗了什麼、接受了什麼，以及還有什麼未解決。

對開發者和架構師來說，這是熟悉的經驗：系統在 state 明確、boundaries 清楚、outputs 可檢查時才值得信任。AI workspaces 終於開始學習同一條規則。

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