上下文层到底是什么?生产级 agent 缺失的那层基础设施——Prukalpa Sankar

• Prukalpa Sankar 是数据治理公司 Atlan 的创始人，一句话讲清他们做什么：「AI 不了解你的业务，我们来解决」；客户从 GitLab、Zoom、Discord、Affirm 到 Mastercard、General Motors。一年前她和联合创始人提出：互联网时代 Bill Gates 写过「content is king（内容为王）」，而 agentic（智能体）时代是「context 为王」；如今 2026 成了「context 之年」，context graph 之类概念隔几天冒一个。→ 详细
• 但她点破一个悖论：模型在指数级变聪明——两年前连律师资格考试都过不了，今天去考是前 1% 的高分选手；可它们并没有指数级变得更有用——五个 AI 用例只有一个真正上线，56% 的 CEO 说 AI 至今零财务收益。→ 详细
• 答案就藏在人类世界衡量绩效的方式里：认知智力并不真正决定现实效能——工作绩效的差异只有 10% 能用 IQ 解释。→ 详细

• 她用一个扎心类比立论：你最聪明、SAT 最高分的那个同事，是你最好的队友吗？不是——最好的是那个干活最多、最能接受反馈、在真实世界学得最快的人。现实里我们看重的是 performance（绩效，即你真实交付的成果）。→ 详细
• 而绩效是两个变量的函数：智力（认知马力，benchmark 每天在测的东西）× context（人类世界叫「在岗学习」——随时间积累的知识、技能、专业经验）。过去十年我们只在一个参数上疯狂复利：智力翻了上千倍，光过去 6 个月又翻了一倍；而 context——你业务的情境化知识——几乎原地踏步。→ 详细
• context 现在都锁在哪？她的原话是：锁在「dashboard 里、Slack 讨论串里，以及那个下周可能就要离职的分析师的脑子里」；我们只把一些数据搬上了云，仅此而已。所以她认为下一个前沿就是：怎么帮 AI 建立起对业务的 context？她的方法论是回头看——我们当初是怎么帮人类建立 context 的。→ 详细

• 主角登场：模范数据分析师 Maya（虚构公司「Mech Context Burgers」），就是全公司遇到问题每天早上都来 ping 她的那种人。一位加盟店老板问：「为什么我这周的 drive-thru（免下车取餐）时间变长了？」听着简单，其实极复杂。→ 详细
• 光回答这一句，Maya 要调动三层 context。知识（facts / 业务地图）：drive-thru time 的定义到底是什么？「这周」指周一到周日吗？按太平洋时间还是东部时间？问的人是财务还是运营，同一指标对他们含义还不同。→ 详细
• 专业经验（expertise / 诊断 playbook）：优秀分析师知道第三季度因天气是季节性波动季，会先查是不是季节性；也知道公司上季度刚发新品，会去查是不是新品导致根因分析出错。这些是随时间在工作中习得的技能。→ 详细
• 规范（norms / 按角色定口径）：谁在问、我该怎么答。Maya 厉害在于——不只给答案，还附上原因和根因，把来龙去脉都找出来。这三层加起来，就是后文 context layer 要装进机器的东西。→ 详细

• Maya 一年前才入职，她不是靠培训学会的——「我们谁也不是靠培训学会干活的」。真正的学法是：跟着最强的同事影子学习（shadowing）、观察他为什么这么做；然后犯错（她反问「在座有谁不是从错误里学到的东西最多？」），经理给反馈、学会下次不再犯；再处理一个边缘案例，又学到东西。→ 详细
• 这套「犯错 → 反馈 → 不再犯」的循环，正是后面「复利式学习循环」要在 agent 身上复刻的东西。问题于是变成：怎么造一个 agent 版的 Maya？→ 详细

• 第一阶段（约 18 个月前）：走「自举 agent（bootstrapping，从零一个个搭）」路线，从客户体验团队开始。先做 jobs-to-be-done（岗位该做的事）地图：这个岗位每天干什么？再定「放大系数（scaling factor）」——写文档 / 会议准备 AI 能干，客户关系管理短期干不了。然后为每个主题造专属 agent，团队起名很皮：客户健康度情报叫 Hermione、财务风险分析叫 Moneypenny，每个都调教得极擅长干一件事。→ 详细
• 裂缝一·context engineering 成瓶颈：到去年年中，搭一个 agent 只要 5 分钟，但要灌进足够业务 context 让它真正准确，「却要花掉大把时间」；agent 质量取决于喂 context 的质量，结果频繁出错、让业务方失去信任。→ 详细
• 裂缝二·agent 各自成孤岛：人类团队里市场部改了定位会在全员会宣布，SDR（销售开发代表）就知道换新话术——这是组织为人搭好的基础设施。agent 没有：市场 agent 更新了定位，官网上的 SDR agent 还在推销旧说辞。→ 详细
• 裂缝三·出错无法回溯：agent 答错时很难查是模型、是 agent、还是 context 的锅，不知从哪儿修；也不知道这些 agent 彼此怎么关联，没法当「一个团队」来运营。→ 详细
• 裂缝四·context sprawl（上下文蔓延）+ 工具反复横跳：每个 agent 有自己独立的记忆、各自学、还学得不一样，很快就说不清「唯一可信的事实版本」是什么。加上 12 个月里在 agent 层换了一圈工具：Relevance（no-code 构建器）→ Google ADK → Glean → 年初 Claude Code → 现在 Claude 和 Codex 五五开，每换一次，context 就被困在上一个系统里带不走。→ 详细

• 今年通用 agent（general purpose agents，一个能干多种活的通用体，区别于只干一件事的专用 agent）成了气候，逼出新思路。还是回到人类世界：Maya 不是单打独斗的明星，她是团队一员。那种配合天衣无缝的「梦之队」，往往建立在共享 context 上——共享的语言、对「当下什么是真的」的共同认知、共享 playbook、共享规范（谁能拍什么板）。→ 详细
• 最关键的是「一起学习」：他们有关于「什么是好」的复利式学习循环，还有共享记忆——「上季度我们发过这个、结果糟透了，这错不能再犯」。她要把这一整套搬进公司用 AI 的方式里。→ 详细
• 由此形成心智模型：让各职能的人各自构建自己领域的 skill（每人负责一组），全部汇入一个共同的地方——某种「公司大脑（company brain）」，她把它叫做 context layer（上下文层）；这个层配一套检索机制，去对接生态里的通用 agent。→ 详细

• 一个跑起来的例子（市场团队）分三块：左边是团队用的所有系统（数据、社交 / 社区、广告、分析平台）；agent 块特意做得很开放——Claude Code + Cowork、自己部署、能直接在 Slack 频道对话的 Claude，外加 Qualified、Artisan 等外部产品；中间就是 context layer。→ 详细
• context layer 怎么长出来的：最强的 SEO 专家构建 SEO skill，最强的竞争情报专家构建竞争情报 skill，汇成一个大家共同写入、共同取用的公共仓库，渐渐成了「活体大脑」。→ 详细
• 这个大脑里实际要装什么，她列了张清单：data graph（数据图谱）——自主投放广告 agent 每天做分析，得知道去拉哪张表；skill 库；语义层与指标定义——什么是 ARR（年度经常性收入）、怎么算、公司里什么才算一个合格的 qualified lead（合格线索）；以及结构化实体（structured entities）。这份清单正是「地基」该有的样子。→ 详细

• 过去 6 个月，光这一个团队就造了约 300 个 skill、40 个 agent，效果惊人——但也逼出更硬的问题：context 需要像代码一样被管理。→ 详细
• 依赖管理（dependency）炸了：竞争情报 skill 从市场学动向、不断进化，它喂给品类定位 skill，后者又喂给销售 battle card（对战话术卡）skill；每个都在学、一进化就弄坏下游，skill 很快过时、开始漂移（drift）。→ 详细
• 归属与安全治理成噩梦：skill 质量最终归谁负责？没人说得清；密钥被硬编码在 ENV 文件里，有人随手下载公开 skill 仓库，「整个局面一团糟」；再加上前面说的 context 在多 agent 系统间的可移植性问题。这些，正是 context layer 要解决的问题。→ 详细

• 她反复问的问题是：「What does the GitHub for context look like？」 公司 context 需要像代码一样的生命周期管理、协作、版本管理；要分清什么是局部 context、什么是全局 context、怎么保持更新。→ 详细
• 更进一步的设想：skill 能不能像代码一样有自己的档案（profile）？内置一个自学习循环？配上质量管理和安全态势管理？第一步是内置版本 / 质量 / 依赖管理——你应该能一句话说清「这个东西会影响下游哪些、谁是审批人、谁是维护者、谁是贡献者」。→ 详细

• 一·人 + AI 的工作空间：这些 skill 要通过一个「人类 + AI 协同」的工作空间来管理。→ 详细
• 二·把每次交互变成 context，是金矿：每一次 AI 交互都产生新 context。做法是针对 traces（交互轨迹 / 日志）部署一个专门的 harness（外挂程序），让它反向重建——一个 AI 通读你所有 traces，把结果送回维护者的审核循环，让人「批准、拒绝、批准、拒绝、改进」，如此往复。这就是复利式学习循环，正对应前面 Maya「犯错 → 反馈」的学法。→ 详细
• 三·业务有 60 个系统时从哪儿开始：最大的心得是 context 就藏在业务系统里，而且跨系统的 context 质量能复利叠加。把 Salesforce、HubSpot 连到数据仓库、再连到应用层，反向重建它们彼此的关联——今天 context 在每一次跳转都会丢，但重建出来再在上面部署 AI，「能以惊人的准确率反向构建出公司大脑的第一个版本」。→ 详细

• 她的收束定义：context layer 是一个把「Maya 脑子里的知识、专业经验、规范」转化成 AI 可用的机器可读 context 的系统。运转链条是：持续从业务系统挖掘 context → 汇入统一的公司大脑 → 在团队部署 agent 的过程中用 skill 和 context 开发生命周期管起来 → 提供多种检索方式（MCP、SQL、向量检索、混合组装）+ 从 traces 回收信号 → 复利学习循环。而今天，我们造 agent 基本还停在硬编码 context 的阶段。→ 详细

• 她警告这个问题的严重程度被大大低估：规模一上去会变得难以为继、甚至有点危险。那个老笑话——「问销售和财务要营收数字，会得到两个不同的数」——在大规模部署自主系统时会重演。→ 详细
• 开场说「context is king」，收尾她改口：「context 也是 IP（知识产权）」。当你和竞争对手用的是同样的模型、同样的智能，公司靠什么区分？American Express 的客服 agent 和 Amazon 的客服 agent 差在哪？答案是「你做生意的方式」——那才是让公司与众不同的东西。context 就是把你的文化与规范编码进系统的方式，让你在打造「自主运行的前沿企业（frontier firms）」时能为之自豪。→ 详细

本片是单人 keynote，无问答环节。以下为可入金句池的原话摘录：

• 「AI 不了解你的业务，我们来解决。」（Atlan 的一句话定位）→ 详细
• 「互联网时代 content is king；agentic 时代 context is king——而 context 也是 IP。」→ 详细
• 「工作绩效的差异只有 10% 能用 IQ 解释。」→ 详细
• 「搭一个 agent 只要 5 分钟；但要灌进足够 context 让它准确，却要花掉大把时间。」→ 详细
• 「当你和竞争对手用同样的模型，公司靠什么区分？American Express 和 Amazon 的客服 agent 差在哪——那就是你做生意的方式。」→ 详细