---
title: AI的Context Layer
source_url: https://mp.weixin.qq.com/s/-ccWkKRKo78TuxkXgX_Geg
author: 深思圈
published: 2026-05-17
created: 2026-05-17
updated: 2026-05-17
type: article
tags: [ai, context-layer, enterprise-ai, knowledge-graph, agent]
sha256: aa993a9c7b4d6df1677f1ad8267ccafd6869920773abca860d415eb53e2a3406
review_value: 8
review_confidence: 8
review_recommendation: strong
---
AI的Context Layer
原创 深思圈 深思SenseAI
2026年5月17日 09:52 北京
上周有人发了一条推文，标题叫"The Context Layer: Knowledge Graph's Second Act"。我差点就划过去了——知识图谱，一个听起来很学术、很2015年的词。这不是我期待会讲出什么新东西的词。
但点进去我读了三遍。
这是Atlan的联创Prukalpa在知识图谱大会（KGC 2026）上的演讲稿。Atlan是一家帮企业管理数据资产的公司。她在里面花了很大篇幅讲一件她说"在每个会议室都让人沉默"的事：为什么企业的AI投资没有回报，以及那个缺失的变量到底是什么。她是Social Cops的联创——Social Cops是那个帮印度政府搭数据平台的公司，世界经济论坛评的Tech Pioneer。
Prukalpa在Knowledge Graph Conference 2026上发表演讲，这篇文章是演讲稿的完整版
她从一个认知科学的小数据开始切入，然后一步步把论点推到一个我没有预期到的地方。我觉得这是今年读到的关于"AI为什么还没有改变企业"这个问题里，说得最清楚的一篇。
## 01 那个没人在意的10%
Prukalpa演讲开头先给了怀疑论者发言权。她把几个听起来很有底气的句子放在同一张幻灯片上："AI is not really changing that much." "It's all just hype." "AI investments haven't had much returns."
她说在大多数会议室里，这几句话一亮出来，会有几个人悄悄放松——终于有人说了他们心里想的话。
然后她说：他们没有说错。56%的CEO反映AI带来的财务回报是零。五分之一有显著价值。MIT有一个随机对照试验，发现有经验的开发者使用AI工具之后，速度慢了19%——尽管他们自己以为快了20%。
但与此同时：GPT系列在Bar Exam从2023年的不及格，到2025年的前1%。某些科研benchmark从5%跳到87.5%。研究生科学考试，从35%到87%，超过了领域专家65%的基准线。
两件事都是真的。能力是真实的。回报没有实现。不是矛盾——是一个还没人想清楚的问题。
认知智力（IQ）只能解释真实工作表现约10%的方差——这个数字来自Sternberg & Wagner 1986年的研究，和2022年应用心理学期刊的复现
想想你团队里最强的人。她是IQ最高的吗？几乎不是。她是积累了最多上下文的那个人——知道你的客户是谁、知道哪些例外情况怎么处理、知道"对这个客户，我们的做法和标准流程不一样"。那才是表现。不是原始智力。这不是一个关于个人天赋的故事，而是一个关于在特定环境里积累了多少情境知识的故事。
## 02 一个乘法公式
演讲的核心公式：表现 = 函数(智力, 上下文)。Intelligence是认知马力，largely fixed；Context是通过做工作积累的知识、技能和工具
Prukalpa把这个提炼成了一个公式：P = f(I, C)。Performance是Intelligence和Context的函数。
这个函数是乘法性质的，不是加法。意思是：Context为零，无论Intelligence有多高，Performance就是零。
过去十年，Intelligence提升了大约三个数量级，从GPT-2到今天的前沿模型。Context几乎没有动过。它被锁在仪表盘里、被锁在员工脑子里、被锁在那些在公司待了足够久才能知道"尸体埋在哪里"的老员工的直觉里。
Intelligence按API价格购买。Context不管花多少钱都买不到。它只能被积累。
所以企业的AI投资没有回报，不是因为模型不够聪明。是因为那个乘数一直是零。
## 03 Maya的四个月
演讲里有个让我记住的细节，是她选了Maya这个角色来说明什么叫"积累Context"。
Maya是芝加哥某连锁汉堡店的客服代表。她接到一个愤怒母亲的电话：孩子刚因为App上标了过敏友好的订单发生了过敏反应，而且订单还少了两样东西。这位母亲是冲刺诉来的。Maya在90秒内处理完了整件事：核实过敏政策、退款、道歉，顾客挂电话时给了五星好评。
Maya的四个月入职：Week 1读Wiki，Week 2系统培训，Week 4跟岗，Month 1犯第一个错，Month 2主管反馈，Month 3处理边缘case——每一步都在积累Context
Maya不是生来就会这些的。她花了四个月积累Context：第一周读Wiki，把退款政策、过敏矩阵、升级标准背下来。第二周系统培训，把每个界面点一遍，把决策树在角色扮演里用过一次。第四周跟着前辈看客户——"遇到50/50的情况，这里的文化是客户赢"。第一个月犯了第一个真实的错误：已经有18条投诉记录的客户，她没有先看历史就直接退款了，然后在复盘里被指出来。第二个月的主管反馈让她学会了"循环收尾"——打完电话要follow up确认。第三个月处理了第一个食物中毒投诉，Wiki里没有，她得自己想。
到第四个月，Maya是整个楼层最好的客服代表。不是因为她变聪明了。是因为她积累了Context。
## 04 AI今天是Day 1的Maya
"AI today is Maya on Day 1"——演讲里让会议室安静下来的那张幻灯片
这是演讲里她说"让会议室安静下来"的那张幻灯片。
你们公司部署的每一个AI Agent——那个聊天助手、那个数据分析器、那个文档处理器——都是带着超强能力、零Context上岗的。它什么都知道，什么都不了解你的业务。它没有跟过Jamie（那个老销售）。它不知道"50/50的情况客户赢"这条潜规则。它没有犯过那个先退款才发现客户有18条投诉记录的错误。它从来没有被纠错，没有被指导，从来没有积累过你公司特有的机构知识。
它是Day 1。每次都是Day 1。不管你换了多新的模型，不管你的prompts写得多精心。
我读到这里想到的不是AI，是新员工入职流程。大多数公司对"新人需要Context"这件事是有直觉的——所以有onboarding，有buddy，有"你要先去和Jamie聊一次"。我们本能地知道，一个人即使能力再强，没有机构知识也会出问题。我们甚至能接受新人需要三到六个月才真正上手。
但对AI Agent，我们的预期完全反过来了。期待它第一天就能用，出了问题归咎于模型能力不足，然后换一个更强的模型，继续Day 1。没有哪家公司会在新员工第一天就让他独立处理客诉升级，然后说"这个人智商不够，换一个更聪明的"。但我们对AI就是这么做的。Context Layer要解决的，其实是一个我们在人身上早就解决了的问题——只是忘记了我们解决过它。
Prukalpa说这张幻灯片出来之后，她观察到人们问的问题变了。从"这个模型够不够好？"变成了"我们有没有给它任何可以用的东西？"这两个问题，背后是完全不同的企业AI战略。
光是问对了问题，就已经是另一件事了。
## 05 四个象限：你的AI在哪里
Intelligence和Context两个维度组成四个象限：右下角"高智力、低上下文"= 危险（confident hallucination at scale），右上角才是目标
Prukalpa在演讲里还有一张我很喜欢的幻灯片：Intelligence和Context两个轴组成的四象限。
- 左下：低智力、低上下文。无用。这是报表仪表盘时代——静态查询，不能推理，无法回答它没被设计去回答的问题。可靠，因为不会给你惊喜；无用，因为你想问的问题它根本不行。
- 左上：低智力、高上下文。可靠但受限。就是那些调得很好的规则系统、专家系统。规则写对了，应用一致；但边界外的情况必须人工扩展，无法规模化。
真正危险的在右下角——高智力、低上下文。今天大多数在生产环境里跑的AI Agent就在这里。模型很强，但它不知道"活跃用户"在你们公司是什么定义，不知道财务团队用的哪个口径，不知道退款政策的三条例外。输出很自信，很流畅，经常是错的。
危险不在于它明显失败。危险在于它有说服力地失败。
- 右上：高智力、高上下文。有效。这是目标。模型有前沿的推理能力，同时有一个资深员工的情境知识。它知道规则，也知道例外，也知道什么情况应该用例外。这是AI投资真正开始复利的地方，也是几乎没有人在的地方。
大多数企业被困在右下角，不是因为模型不够聪明。是因为他们在一个轴上投了十年，完全忽略了另一个轴。
## 06 三堵墙
三堵墙：Context Bootstrapping（冷启动）、Context Management（不共享学习）、Context Portability（多Agent说不同版本的真相）
那么为什么要建Context层这么难？Prukalpa说每个企业在从零星AI用例到多Agent系统这条路上，都会撞上同样的三堵墙。
**第一堵：搭一个Agent只要五分钟。给它注入业务上下文要五个月。** 能力这件事已经被民主化了，但Context基础设施没有。那个五个月的钟，从你发现Agent不知道你们公司说的"revenue"是哪个口径的那一刻开始滴。要手动把四十列映射到语义模型，要把"活跃客户"在营销团队和财务团队之间有分歧的定义写清楚，要把那三条"客服部门所有人都知道但没有人写下来"的退款例外编码进去。
**第二堵：Agent不共享它学到的东西。** Agent 1被纠正了，Agent 2不知道。每个Agent不只在Day 1是零，而且永远是零——除非你建了让纠错传播的基础设施。一个Agent有记忆，一群Agent有失忆。第十个Agent对你公司业务的了解，不比第一个多一分。
不过我在这里有一个反向的想法：Agent不共享学习，是架构问题，但也是一种保护机制。在Context质量还没有经过充分验证之前，学习的传播有时候是在传播错误。做纠正的人是不是真的理解了全局？那次"纠正"本身是不是对的？在治理机制建立之前就打通Agent间的学习通道，可能不是更聪明，而是让错误传播得更快、更一致。永远Day 1的问题，不只是信息没有流动，还有"什么信息值得流动"这个前置问题没有被解决。
**第三堵：多Agent的语义冲突。** 当多个Agent同时工作在同一个领域，它们会用不同的方式解读有歧义的概念。一个Agent的"revenue"是closed-won，另一个是recognized。单独看，两个都输出合理的答案。在它们交接、或者人工去做两边的对账的时候，冲突出来了。有说服力、有自信、错误的。Sierra、Writer、Google Agentspace、Snowflake Cortex——它们现在都在说着稍微不同版本的真相。
这三个失败模式，不是边缘情况。是模式本身。
## 07 越用越好的飞轮
Context不是一次性工程，而是一个飞轮：AI生成草稿 → 人工精修 → Agent使用改善后的Context → 使用过程生成新的Trace → 喂回飞轮
越过那三堵墙之后，Prukalpa说有四件事会开始复利。
**第一：你的业务操作已经被编码在你现有的系统里了。** 你的数据仓库里的lineage编码了哪些表喂给哪些报表——也就是哪些定义是承重墙。分析师写的SQL编码了join、filter和每一个数字背后的业务逻辑。治理团队写的字段描述编码了语义意图。今天的AI可以读这些、跨来源综合、在几小时内生成一版你们公司的语义地图草稿——不是几个月。那个原本要五个月的Context冷启动，现在可以一周完成草稿，再由领域专家按他们的语言去精修。这改变了Context的单位经济。
**第二：Context质量在复利。** 第一版是粗糙的。每次精修都建立在上一次的基础上。AI生成定义草稿，人工精修，下一个定义在精修版本的基础上生成，质量曲线在爬。数据显示：AI生成、人工验证的Context，最终评分高于人工从头写的Context——因为AI能看到整张图，人只能看到自己这个字段。这是飞轮，不是一次性项目。
**Learning 3：每次AI交互都在生成Context Trace**——"Was this helpful?"的每一次反馈、"Sorry, what was wrong?"的每一次纠错，都是数据。大多数公司在丢弃这些信号
**第三：每次交互都在生成Context，这些Trace是金矿。** 每次Agent在生产环境里操作，人工审核了输出，那次交互就是信号。纠错是数据。认可是数据。"这不是我们在这里的做法"是数据。大多数公司在扔掉这些信号。在捕获Trace并喂回Context层的企业，在建一条外人无法复制的护城河——因为它积累的是你公司特有的机构知识，而不是通用知识。
**第四：企业Context需要生命周期管理。** Context会腐烂。你的业务在变。Wiki里更新了一个指标定义，一条产品线重组了，一个合规豁免悄悄过期了。Context层需要像代码库一样被维护：版本控制、测试、治理。如果"活跃客户"的定义变了，谁有权批准？下游哪些Agent需要被通知？如果新定义出了问题怎么回滚？回答不了这些问题，你运行的Context就和版本控制出现前的代码库一样——靠运气。
## 08 Context是新一代的Content
Context正在走Content走过的曲线：现在是Optional，三年后变Urgent，五年后成为Table Stakes——没有它，你根本无法运行企业AI战略
演讲的最后一个论点，Prukalpa打了一个赌。
2000年代初，每个组织都争先恐后地把内容搬到网上。刚开始感觉是可选的，然后感觉紧迫，然后变成了基础设施。你根本没有办法在没有网站、没有内容策略、没有数字足迹的情况下运营。
Context在走同样的曲线。现在感觉可选。三年内会感觉紧迫。五年内，没有Context基础设施，你根本没法运行企业AI战略。
KGC 2026现场——Prukalpa说这个社区早在"Context Engineering"这个词流行之前就在做这件事了
她讲了一个让我印象深刻的观察：知识图谱社区其实几十年来一直在做这件事——本体、分类、语义模型、实体解析、Lineage。这些是在问"事物真正的意思是什么，谁来决定，这个意思怎么在系统间流转"这类问题的学科。曾经是被砍预算的成本中心工作。
今天AI领域的"Memory论文"在重新发现typed relations。"Context Engineering"在重新发明W3C标准里早就有名字的东西。每个前沿AI实验室都在以某种形式迈向知识图谱从业者早就在告诉企业要建的东西。
那个一直在做无聊工作的社区，突然发现整个世界终于来到他们一直在等的地方了。这有点像某种延迟了二十年的正名时刻。
## 对我们意味着什么
我想说一件我在这篇演讲里没有完全被说服的事：Prukalpa对"你的业务操作已经被编码在现有系统里"的乐观。
从理论上讲，是的，SQL里有join，lineage里有依赖关系，这些都是AI可以读的信号。但我真正见过的企业数据资产，很多情况下是：SQL是对的但是三年没人更新了，字段描述从来就是空的，lineage有一半没有追踪到，而那些真正知道"活跃用户的定义其实是这样的"的人刚好在上个季度离职了。从这些遗址里自动生成高质量Context草稿，我没有那么确定一周内能做到。
但这不影响核心论点是对的：Context是乘数。一直被零乘，结果当然是零。
让我觉得这个演讲特别有价值的，是它给了一个框架，而不是一个产品。P = f(I, C)，Maya on Day 1，四象限，三堵墙——这些不是Atlan的功能列表，是一个诊断工具。你可以用它去看你们公司现在在哪个象限，撞的是哪堵墙，Context飞轮有没有在转。
我自己反复想的一个问题是：Context飞轮转动的前提，是有人愿意去捕获那些Trace、精修那些定义、把那些"没有人写下来的例外"变成系统里的知识。这是需要有人去做的工作，而且在很多公司里不是任何人的KPI。它不是数据工程的职责，不是AI产品团队的职责，也不是治理团队的职责——于是它落在了没有人的地方。
也许这才是那三堵墙之外，更根本的第四堵墙：没有人认领这件事。
但我真正不确定的是更下面一层：就算有人认领了，这件事值不值得做，在很多公司的当下时刻，答案可能真的是「还不值得」。不是因为Context不重要，而是因为Context建设需要业务足够稳定、数据足够可信、组织足够愿意把潜规则说出来——这三个条件，在大多数还在快速变形的公司里，根本没有同时成立过。
所以我没有办法说"你现在应该去建Context层"。我只能说，如果你的AI一直停在右下角，答案可能不在模型那里。至于那个工作该谁来做，该什么时候开始，我不知道。这篇文章能给你的，也只是那两个问题，不是答案。
◇ ◆ ◇
资料来源：
• Prukalpa，"The Context Layer: Knowledge Graph's Second Act"，X Article，2026年5月