Graphlit: AI代理的上下文图层

AI编程/Vibe Coding 遇到问题需要帮助的，联系微信 ezpoda，免费咨询。

Foundation Capital 近期发布的文章《上下文图：AI 的万亿美元机遇》是我见过的关于企业 AI 发展方向的最清晰论述。Jaya Gupta 和 Ashu Garg 认为，下一个万亿美元的平台不会通过向现有记录系统添加 AI 来构建。它们将通过捕获企业从未系统化存储过的东西来构建：显示规则如何应用、在何处获得例外以及为何允许某些操作发生的决策痕迹。

他们是对的。但他们的论点暗示了一个值得更多关注的点：如果不首先解决运营上下文问题，就无法捕获决策痕迹。智能体需要了解谁拥有什么、实体之间如何关联、什么在何时发生了变化，以及信息如何在系统之间流动 — 然后才能有意义地记录做出决策的原因。

那个基础层是使上下文图成为可能的基础。这在当前的市场格局中很大程度上缺失了。

1、上下文图论点

该论点从对当前 AI 局势的批评开始。像 Salesforce、Workday 和 SAP 这样的记录系统通过拥有规范数据成为了万亿美元的平台。现在的争论是这些系统是否能在向智能体的转变中生存下来。

他们的回答：智能体不会取代记录系统，但它们确实暴露了一个缺失的层。正如他们所说：

"规则告诉智能体一般情况下应该发生什么。决策痕迹捕获在特定情况下发生了什么 — 我们使用了 X 定义，在策略 v3.2 下，获得了 VP 例外，基于先例 Z，以及我们改变了什么。"

这个洞察是敏锐的。当一个续约智能体提出 20% 的折扣，尽管政策上限是 10% 时，它从多个系统获取上下文：来自 PagerDuty 的事件历史、来自 Zendesk 的升级线程，以及来自先前批准的先例。财务部门批准。CRM 记录了一个事实："20% 折扣"。

所有使该决策可理解的东西 — 输入、策略评估、例外路径、批准链 — 都消失了。将数据与行动连接起来的推理首先从未被视为数据。

他们将这些痕迹的累积结构称为上下文图："跨实体和时间缝合的决策痕迹的活动记录，使先例可搜索。"

这就是这篇文章超越大多数分析的地方。上下文图不仅仅是更好的治理或语义契约。它是一种新型记录系统 — 一种捕获决策而不仅仅是对象的系统。

2、智能体需要两层上下文

这里我想为对话添加一些内容。构建上下文图需要两个不同的上下文层，大多数企业都没有。

2.1 运营上下文：基础

在您可以捕获做出决策的原因之前，智能体需要了解决策发生的组织现实：

身份解析。谁是 Sarah Chen？她是否是电子邮件线程、Slack 提及和会议记录中的同一个 Sarah？如果同一实体作为碎片化文本出现在不同工具中，智能体就无法对人员、账户或系统进行推理。

所有权和关系。谁拥有 Acme 账户？哪个工程师负责支付服务？支持升级如何连接到产品团队的产品路线图？这些关系存在于人们的脑海中，并分散在各个系统中 — 但它们很少被建模为可查询的数据。

时序状态。决策做出时合同是怎么说的？续约时客户的 ARR 是多少？智能体需要理解事物如何演变，而不仅仅是它们当前的状态。

跨系统综合。支持负责人在 CRM 中检查客户等级，在 Zendesk 中查看开放的升级，阅读标记流失风险的 Slack 线程，并决定升级。这种综合发生在他们的脑海中。没有系统捕获它。

这就是运营上下文：身份、所有权、关系和时间理解，使智能体能够像人类一样对组织进行推理。

2.2 决策上下文：下一层

一旦存在运营上下文，您就可以构建作者描述的决策层：

决策痕迹。收集了哪些输入？评估了什么策略？调用了什么例外？谁批准了？

先例作为产物。当出现类似案例时，智能体可以查询："我们以前如何处理这个？结果是什么？"

可审计性。不仅发生了什么，还解释了为什么允许它发生 — 并保留完整的上下文。

这些层之间的关系很重要。如果智能体不知道行动者是谁、实体如何关联，或者决策发生时世界处于什么状态，就无法捕获有意义的决策痕迹。运营上下文是基础。决策上下文是您在此基础上构建的。

大多数企业两者都缺乏。

3、为什么 RAG 和 AI 记忆不足以解决问题

市场用两种方法应对上下文问题：RAG（检索增强生成）和"AI 记忆"平台。两者都没有解决运营上下文问题。

RAG 检索文本块，而不是组织理解。当您问"Sarah 关于 API 集成说了什么？"时，RAG 会找到包含这些关键词的文档。它不理解 Sarah 是一个具有完整交互历史的人，API 集成是一个连接三个团队的项目，或者对话跨越 Slack、电子邮件和会议记录演变。RAG 存储相似性，而不是意义。

大多数 AI 记忆平台存储聊天记录，而不是组织现实。它们捕获在与 AI 的对话中说了什么，但它们不建模使组织可理解的实体、关系和时序状态。关于"用户讨论了 Acme 定价"的记忆与理解 Acme 作为具有关系历史、利益相关者地图和决策痕迹的账户不同。

这种差距是结构性的。这些方法将组织知识视为要嵌入的文档或要记住的对话。但组织知识是一个图：人员连接到账户，账户连接到项目，项目连接到决策，决策连接到结果 — 所有这些都随时间演变。

没有那个图，智能体就是上下文盲的。它们可以检索相关文本，但无法理解谁拥有什么、决策如何演变，或者哪些先例实际上支配现实。

4、运营上下文层是什么样的

那么，构建这个基础层实际上需要什么？将组织分散的、多模态工作转换为身份解析、时间感知的知识图的基础设施？

核心能力

身份解析的实体。人员、组织、地点和事件建模为规范实体 — 理想情况下与 Schema.org 等标准对齐。Sarah Chen 不是在不同工具中以不同方式出现的碎片化文本。她是一个已解析的实体，连接到她参与的每一次对话、文档和决策。

多模态摄取。Slack、电子邮件、会议记录、文档、代码、CRM 数据、项目管理工具 — 来自整个企业的内容，保留结构，而不仅仅是提取文本。

时间建模。不仅是当前状态，还有实体和内容如何随时间演变。智能体需要推理什么改变了、何时改变、以什么顺序。

关系映射。实体相互连接。人员属于组织。内容与项目相关。决策涉及利益相关者。图将这些关系捕获为一等数据。

智能体互操作性。上下文层需要通过标准协议对任何智能体都可访问 — 不锁定到单个供应商的生态系统。

企业部署选项。对于有数据治理要求的组织，上下文层需要在他们自己的基础设施中运行，在需要的地方满足合规性。

5、我们在 Graphlit 正在构建什么

这是我们自 2021 年以来一直在解决的问题。Graphlit 为 AI 智能体提供运营上下文层 — 将多模态内容摄取并将其转换为身份解析、时间感知的知识图的基础设施。

我们构建它像一个现代媒体和传感器数据系统，而不是文档存储。我们保留结构、来源和时间，而不是将所有内容扁平化为文本块以进行嵌入。这种架构选择使运营上下文成为可能 — 这使我们能够随着市场的演变支持决策上下文。

5.1 从运营上下文到决策图

Foundation Capital 的论点指向市场的发展方向。我们与该方向一致，我们的 2026 年路线图将我们进一步带入他们描述的领域。

5.2 我们今天的处境

Graphlit 提供运营上下文层：身份解析、实体提取、关系映射、时间建模和跨 30 多个来源的多模态摄取。连接到 Graphlit 的智能体了解谁拥有什么、事物如何关联以及什么改变了 — 任何有意义决策捕获的基础。

5.3 我们的去向

CRM 作为实体骨干。我们与使用 Attio 的客户的工作澄清了一件重要的事情：CRM 对象（账户、联系人、交易）为组织多模态内容提供了最干净的结构化骨干。一旦存在规范实体，其他所有东西 — Slack、电子邮件、文档、代码 — 都干净地解析到图中。我们正在深化 CRM 集成作为进入企业上下文的架构楔子。

智能体记忆和决策记录。随着智能体通过 Graphlit 执行工作流，我们正在构建基础设施来捕获不仅它们访问的内容，还有它们产生的推理痕迹。收集了哪些输入？综合了什么上下文？采取了什么行动？

工作流插桩。作者是对的，捕获决策痕迹需要位于执行路径中。我们的 MCP 服务器已经位于智能体的上下文检索路径中。将其扩展以捕获决策输出 — 批准、例外、先例 — 是自然的下一步。

6、决策痕迹需要标准

这里值得做一个类比。LLM 可观察性空间 — LangSmith、AgentOps、Arize、Braintrust — 已经成熟到捕获执行痕迹：输入、输出、延迟、工具调用、令牌使用。这对于调试和优化很有价值，但这不是 Foundation Capital 的文章所描述的。

决策痕迹在更高的抽象级别上操作。不是"智能体使用这些参数调用了此工具"，而是"此决策在此策略下做出，有此例外，由此人批准，基于此前例"。这是叠加在执行遥测上的业务级语义。

如果决策痕迹成为新型记录系统的基础，则模式不能专属于每个编排平台。我们需要行业标准 — 就像 OpenTelemetry 标准化可观察性，或者 Schema.org 标准化实体标记。否则，每个平台以不同方式捕获决策，跨系统先例查询变得不可能。

这是 Graphlit 的架构选择重要的地方。我们已经使用 Schema.org 和 JSON-LD 建模实体 — 人员、组织、地点和事件的规范表示。将其扩展到决策痕迹（策略版本、例外类型、批准者、先例引用）是自然的演变。而且因为我们建立在开放标准而不是专有模式之上，我们有能力支持行业收敛的任何决策痕迹格式。

7、诚实的框架

我们不声称今天是完整的"决策记录系统"。这需要位于提交决策的编排层，而不仅仅是检索信息的上下文层。

但我们正在构建使决策图成为可能的基础。没有身份解析、关系建模和时间状态，就无法捕获有意义的决策痕迹。这就是运营上下文提供的。随着我们扩展到智能体记忆、决策记录和工作流插桩，各部分朝着他们描述的愿景趋同。

8、为什么现在这很重要

三个转变的汇聚使这成为正确的时刻：

ChatGPT 创造了对企业上下文的需求。每个组织都希望了解其业务的 AI，而不是在公共网络上训练的通用模型。这种需求是真实的，它不会消失。

MCP 标准化了智能体互操作性。模型上下文协议为我们提供了一种向任何智能体公开上下文的标准方法。构建一次上下文层，它就可以与 Cursor、Claude、自定义智能体以及即将到来的任何东西一起工作。

每个公司都在试验智能体 — 没有使它们工作的上下文层。这就是文章识别的差距：智能体碰到了仅靠治理无法解决的墙。它们需要运营上下文来正确推理，需要决策上下文从先例中学习。

有人必须构建上下文基础设施。这就是我们专注于的东西。

9、结束语

上下文图的愿景是引人注目的 — 而且是可实现的。它从运营上下文开始：身份、所有权、关系以及对组织多模态知识的时间理解。

我们已经构建此基础设施三年多。如果您正在部署需要了解您组织的智能体 — 而不仅仅是检索文档 — 上下文层是开始的地方。

原文链接: The Context Layer AI Agents Actually Need

汇智网翻译整理，转载请标明出处