回声编辑部 已收录 173 期
⌕ ESC
↑↓ 选择↵ 打开esc 关闭⌘K 唤起
← Home NO.70
第 70 期 · AGENT 工程 · 收录于 2026 年 8 月 15 日

Agent上下文层

PS
Prukalpa Sankar · AI Engineer
视频 20:36 原文约 1.8 万字 预计阅读 13 分钟 来源视频 ↗ 中英对照全文
双人对谈 · 本期速读电台 00:00 / 17:22
TL;DR · 三句话
  1. 一模型两年内从「考不过律师」变成「前 1% 高分」，却没变得更有用——只有 1/5 的 AI 用例上线、56% 的 CEO 说零财务收益；根因是 绩效 = 智力 × context，而 context（你业务的情境化知识）几乎原地踏步。→ 详细
  2. 二缺的那块地基叫 context layer（上下文层）/ 公司大脑：把明星分析师 Maya 脑子里的业务定义、程序性专业、操作规范变成机器可读的 context，并像代码一样做版本、依赖、归属、安全管理。→ 详细
  3. 三这些结论来自 Atlan 自己三个阶段、数百次生产部署的踩坑：demo 好搭、上线即死于缺共享 context；而当人人都用同样的模型时，context 就是你的 IP 和护城河。→ 详细
01

开场悖论：模型越来越聪明，却没变得更有用

  • 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
02

核心公式：绩效 = 智力 × context

  • 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
03

一个「简单问题」背后，藏着知识 / 专业 / 规范三层

  • 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
04

人是怎么学会这些的：影子学习 + 犯错 + 反馈

  • 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
05

Era 1：自举单体 agent，及其暴露的四条裂缝

  • 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
06

转折：梦之队靠的是「共享 context」

  • 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
07

市场团队的实战搭法：一个真实的 context layer 长什么样

  • 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
08

300 个 skill / 40 个 agent 之后：context 必须像代码一样管

  • 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
09

她的靶子：「context 界的 GitHub」长什么样

  • 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
10

三条落地心得：怎么真正搭起来

  • 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
11

context layer 的完整定义与架构

  • 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
12

收尾：规模会放大危险，而 context 就是你的 IP

  • 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

  • Twitter / X：@prukalpa；也欢迎写邮件。Atlan 正与前沿团队持续合作、构建各家的「公司大脑（company brain）」，想聊可直接联系。→ 详细

🎯 于你何益 为你定制 · 非通用结论

一句话定调：这可能是你今年能看到的、跟你手头的活儿最对得上号的一场演讲。她讲的三阶段踩坑，几乎就是你「多-Agent PRD 工厂」的预演；她说 context layer = 业务定义 + 程序性专业 + 操作规范这层地基，正戳你六线强耦合、跨线对齐难的痛。下面按项目对。

1. Holdwell ERP · 多-Agent PRD 工厂（最正中，重点看这条）

他们怎么做的：Atlan 的进化路线几乎是你这条流水线的预演。Era 1 他们也是「一个主题一个专用 agent」（Hermione / Moneypenny 对应你的三驾马车角色 agent），很快撞上四堵墙——搭 agent 5 分钟、灌 context 无穷久（质量全看 context 工程）；agent 各自孤岛、上游改了下游不知道（= 你的跨线对齐）；出错无法回溯是模型 / agent / context 哪层的锅（= 你 agent 产出难观测、难追责）；context sprawl + 每个 agent 各自记忆（= 你各角色独立上下文、合成收口难）。Era 3 的解法就是把散落的定义 / 专业 / 规范收进一个公司大脑，并像代码一样做版本 / 依赖 / 归属。

你可以怎么做：

  • ① 先给六条产品线建一份共享事实源。你跨线对齐难，缺的正是她点名的那几样——语义层 + 指标定义 + 结构化实体 + data graph。别让三驾马车各自在 prompt 里硬编码 context；把「某指标 / 某单据状态该怎么定义」这类业务定义 / 术语 / 实体沉进一份跨线共享的事实源，让从澄清到定稿的全流程引用同一份。这一步不做，后面的评审都是空转。
  • ② 「context 要像代码一样管」直接给你「产出可验证」的落点。给每个 agent 定义配一个 profile（谁是审批人 / 维护者 / 贡献者 + 它影响哪些产品线），把「agent 产出的可观测/可验证」翻译成「依赖图 + 变更影响面」的强制检查：一个定义一进化，就自动标出它会弄坏的下游。这正是她说的「你应该能一句话说清这东西影响谁、谁审批」。
  • ③ 她的依赖漂移警告是你六条强耦合产品线最可能爆的点。「竞争情报 → 品类定位 → battle card，一改就崩」——你的产品线之间凡是「上游产物喂下游」的联动链路，都该先画一张依赖图，标出哪几条是脆的。
  • ④ 「真人评审意见回炉的闭环」对上她的 traces → maintainer 审核循环。把每次 PRD 产出的 trace 收回来，让人「批准 / 拒绝 / 改进」、意见按归属回炉——这既是你缺的评审闭环，又是自我改进的燃料（就是你一直想要的 self-improving prompts 的实现路径）。

所以呢：这一集可以当你 PRD 工厂的「体检报告」——她已经替你把坑踩了一遍，你照单核对碰撞协议全流程就能省半年弯路。真要动手，先做 ① 跨线共享事实源一件事，它是其余三件的地基。

2. app_incubator · 7-Agent 造 App 链路

他们怎么做的：她「agent 块做得很开放」（Claude Code + Cowork + 自部署 Claude + 外部产品）+ 中间一个统一 context layer 的架构，正对你的 7-Agent（Figma / Chrome / Notion MCP）。她还踩过「context 在工具切换间带不走」（Relevance→ADK→Glean→Claude Code），提醒你：把 context 焊死在某个具体 agent / 工具里，迟早要还。

你可以怎么做：把「设计稿即工程强制契约」升级成「context layer 即全链契约」——设计 token、组件语义、实体定义都进一个 7 个 agent 共享的中间层，而不是塞在某个 agent 的 prompt 里。你想「把该做什么前移到 agent」，她的答案是：共享 playbook + norms（谁能拍什么板）先写进大脑，agent 才知道该做什么、不该做什么。

3. Personal Thinking · 这本第二大脑（她讲的就是它）

镜子：她口中的「company brain / 活体大脑」几乎就是这本第二大脑的定义——主题骨架 ≈ data graph、原子笔记 ≈ skill / entity、_MOC ≈ 检索层。你的三个痛点她都给了对应解药：摄入 SOP ↔ 她的「context 开发生命周期 + 版本管理」；信噪比 ↔ 她的「skill 会漂移、要有人管质量」（你 ingestion-sop.md 那条「宁可空、不要凑」红线，正是她说的质量闸门）；跨主题串联 ↔ 她的「反向重建系统间关联、context 质量跨系统复利」。

你可以怎么做：给高频被引用的原子笔记 / skill 也配一个轻量 profile（谁维护、上次更新、影响哪些 _MOC），把「漂移」显性化；定期跑一次「哪些笔记过时了」的审核循环——这就是把她的「像代码一样管 context」搬到你个人知识库的最小可行版。

4. Chief of Staff · 宪法驱动的决策外脑

一句话：她说「context = 把文化和规范编码进系统」，你的 CONSTITUTION.md 就是把你 2021 年写下的产品价值观和「操作系统」编码成 norms（规范层）——这正是她说的三层里最难自动化的那层。可借的一招：让 CoS 不只静态存原则，也像 skill 一样有版本 + 自学习循环（每次决策的 trace 回流，季度回望时批准 / 修订原则），把宪法从「石碑」变成「活体大脑」。

5. StockHelp · 投资视角（顺带一问「对我的投资有什么用」）

她收尾那句「当人人都用同样的模型，context 就是差异化、就是 IP」，其实是一条清晰的护城河命题：AI 时代，专有数据 / 流程 / 客户情境正取代传统壁垒，成为新护城河。选股时可多问一句——这家公司有没有别人拿不到的专有 context（独家数据、深度业务嵌入、切换成本高）？她自己的 Atlan（帮企业建 company brain、context 带不走 = 极高切换成本）就是这类生意的活样本。守诚实闸门：这是一条选股用的思维模型，不构成个股建议。

6. 小红书号 · 职业 / 精力（各一句）

  • 小红书（一个人的增长团队）：她「每人构建自己领域 skill、汇入公共大脑」的做法可反着用在你一个人身上——把选题矿池、封面模板、爆款拆解沉淀成可复用的个人 skill 库，别每篇从零起。
  • 职业 / 精力：她的「绩效 = 智力 × context」是给你的一面镜子——你的不公平优势不在更聪明，而在别人没有的积累性 context。你横跨 PM + AI + 投资 + 内容的多元 context，正是这种会复利的资产，值得继续往一个方向厚厚地叠，而不是摊薄。

One Human Company 新号（2026-07 回填）

  • 怎么做的：Prukalpa 的两句话对新号最值钱——「绩效 = 智力 × context：智力翻了上千倍，context 几乎原地踏步」，以及收尾那句「当你和竞争对手用同样的模型，公司靠什么区分？context 就是你的 IP」。配套的实感数字是：「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」，agent 频繁出错会「让业务方失去信任」。
  • 你可以怎么做：C 类候选：「Atlan 创始人说 context 才是护城河，我给一人公司建了个'公司大脑'——AI 员工的返工率降了多少」——把 drizzle tech 的岗位说明书、实体定义、决策记录收进一个共享 context 层，前后对比 agent 出错/返工的变化；可抄物是"一人公司公司大脑"的最小目录结构。这也回答了新号的一个根本问题：**你的号能立住，不是因为你用的模型比读者强，而是你有 500 天积累的判断和翻车记录（context）——这正是弹药库闸门在保护的东西。**删掉实测不成立，闸门过。本期其余内容（企业级治理、依赖管理）对 Phase 0 的一人公司偏重了，不硬掰。
接着读
NO.69 · Agent 工程 对谈ClaudeCode团队 Simon Willison · 24 分钟 NO.68 · Agent 工程 AI自我进化 硅谷101 · 17 分钟