上下文图：智能体的"RAG杀手"
这个说法很大胆。但事实更有用：RAG告诉你发生了什么。上下文图教它为什么做出某个决定。
梯形图转SCL | AI模型价格对比 | AI工具导航 | ONNX模型库 | Vibe Coding教程 | PLC在线仿真器 | Tripo 3D | Meshy AI | ElevenLabs | KlingAI | ArtSpace | Phot.AI | InVideo
我使用过的每个RAG系统都能告诉我文档说了什么。但没有一个能告诉我，为什么我们团队在上个季度做出了那个决定。
这个差距现在有了名字。
它叫做上下文图，2026年是它开始出现在严肃的AI基础设施对话中的年份，而不仅仅是研究论文。
有些人称之为RAG杀手。
这有点戏剧性，但读完这篇文章，你就会知道为什么。但炒作背后的真实故事确实值得你花六分钟时间了解。
1. RAG擅长事实，但推理能力很弱
RAG的工作原理是将文档切成小块，将每个块转换为向量，然后检索与你的问题最匹配的块。
这对于简单的查找非常有效。询问政策文档说了什么，RAG能快速找到正确的段落。
问题出现在更难的问题上。
分块将文档切成碎片，碎片之间失去了相互联系。
向量搜索无法重建文档被切碎时断裂的关系。
询问需要多个相关事实的问题，RAG通常返回无法构成真正答案的片段。
2. 上下文图记住的是决策，而不仅仅是文档
上下文图是一个结构化的、不断更新的记录，记录了组织如何真正做出决策，而不是文档所说应该如何运作。
它不存储文本块，而是存储决策事件。
谁在什么条件下决定了什么，参考了哪个早期决策，授予了哪个例外。随着时间的推移，这些事件相互关联，先例变成了你可以搜索的东西，而不是埋在某人记忆中的东西。
这是RAG从未被设计来做的事情。RAG检索文档说了什么。上下文图跟踪你的组织实际如何运作。
3. 数据、上下文和决策痕迹是三件不同的事
大多数团队认为"数据"和"上下文"是一回事。它们不是，这种差异解释了很多AI代理错误。
数据告诉你发生了什么。
一笔交易结束了，一个工单被升级了，一个请求被批准了。上下文告诉你为什么这样发生，以及在什么条件下被允许发生。
介于两者之间的是大多数公司从未捕捉到的东西：决策痕迹。在特定情况下发生的特定记录，在哪个政策下，由谁批准，以及为什么。
没有中间层，AI代理要么过于字面地遵循规则手册，要么因为没有先例可以参考而将所有事情升级给人工处理。两者都不是模型问题。两者都是缺失的基础设施问题。
这在实际部署中表现为两种特定的失败模式。
- 第一种是代理完全按照书面政策执行，错过了管理规则实际如何在实践中被弯曲的机构细微差别。
- 第二种是代理几乎将所有事情升级给人工，因为它没有先例记录可以依靠，这悄悄地消除了使用代理的全部效率优势。
更强的模型或更聪明的提示都无法修复这两种失败。两者都可以追溯到同一个缺失的层：没有人构建捕捉决策如何实际做出的基础设施。
4. 上下文图和知识图谱不是一回事
这两个经常被混淆，它们回答的是真正不同的问题。
知识图谱映射当前存在的内容：哪些实体与哪些相关，谁拥有什么，哪些记录连接到哪些项目。它是查询时冻结的结构快照。
上下文图映射你是如何到达这里的。它将决策本身视为图中的对象，并将时间视为数据的真实结构部分，而不是贴在旁边的标签。
它们也不是竞争对手。
上下文图通常构建在知识图谱基础设施之上，添加了普通知识图谱从未捕捉到的决策层。
5. 构建一个需要四个不同的层
这不是简单的数据库替换。真正的上下文图系统由四个协同工作的层组成。
第一层监视原始活动：编辑的文档、更新的字段、发送的消息，按它们在系统中发生的顺序。
第二层将这些原始活动解释为有意义的内容。三天内的一系列编辑和消息可能代表一个定价例外，即使没有系统曾经这样标记过。
第三层将所有内容组织成一个图，时间作为真正的结构部分内置其中，这样代理不仅可以查询发生了什么，还可以查询在发生的确切时刻什么是真实的。
第四层让图持续增长。每次代理运行都会添加新的决策痕迹，因此系统使用越多就越准确。
这是真正的基础设施工作，不是你周末就能安装的插件。
6. 所以它真的是RAG杀手，还是完全不同的东西
这是诚实的答案，直接来自构建这项技术的人。RAG提高了模型所知道的。
上下文图提高了代理的决策能力。这是不同的工作，大多数严肃的部署两者都需要。
RAG仍然是简单事实查找的更快、更便宜的答案。上下文图在更难的问题上证明其成本：边缘情况、例外情况，以及正确答案取决于没有人写下来的先例的决策。
"RAG杀手"框架卖的是标题。更有用的框架是，上下文图是代理AI缺失的层，坐在你已经构建的一切之上，而不是取代它。
7、你的项目需要哪个
8、值得保留的一个想法
RAG回答"这个说了什么。"上下文图回答"我们之前真正如何处理过这个，以及为什么。"
这些是真正不同的问题，大多数真正的AI代理失败都可以追溯到只有第一个问题的答案。不是更聪明的模型。不是更好的提示。是一个没有人构建的机构记忆缺失层。
如果标题需要，可以称之为RAG杀手。更准确的故事是，代理AI终于得到了它一直缺失的第二部分。
原文链接：Context Graphs: The RAG Killer AI Agents Actually Need
汇智网翻译整理，请转载文章时标明出处。
