{
  "title": "Context Graphs：我对智能体基础设施万亿美元演进的思考",
  "excerpt": "读完 Jaya Gupta 关于 Context Graphs 的文章后，我一直念念不忘。对我来说，它触动了某种个人层面的东西：它为过去一年我在博客中围绕智能体基础设施讨论时一直盘旋于脑海的架构模式赋予了一个名字。Gupta 的论点简单却深刻——上一代企业软件通过成为 systems of record 创造了万亿美元级别的公司。而现在的问题是，是否会有一个新层在它们之上涌现：a system of record for decisions。",
  "content_html": "<p>读完 Jaya Gupta 关于 Context Graphs 的文章后，我一直念念不忘 [1]。对我来说，它触动了某种个人层面的东西：它为过去一年我在博客中围绕智能体基础设施讨论时一直盘旋于脑海的架构模式赋予了一个名字。后来我写了一篇更直接的解释文章，探讨 <a href=\"/2026/01/01/what-are-context-graphs-really/\">what are context graphs</a>，以及为什么这个词的含义远不止智能体记忆。</p>\n<p>Gupta 的论点简单却深刻。上一代企业软件（Salesforce、Workday、SAP）通过成为 <strong>systems of record</strong> 创造了万亿美元级别的公司。掌握权威数据，掌握工作流，掌握用户锁定。现在的问题是，这些系统能否在智能体时代转型中存活下来。Gupta 认为它们会，但一个全新层级将在它们之上涌现：<strong>a system of record for decisions</strong>（决策的记录系统）。</p>\n<p>我同意。而且我认为这正是将我之前所有文章串联起来的缺失拼图。</p>\n<h2>缺失的层级：决策痕迹（Decision Traces）</h2>\n<p>最引起我共鸣的，是 Gupta 对 <strong>decision trace</strong> 的阐述。这是目前存在于 Slack 线程、交易台对话、升级电话和人们脑海中的上下文。它是那种例外逻辑，比如：\"我们总是给医疗公司额外 10% 的折扣，因为他们的采购周期非常漫长。\" 它也是来自过往决策的先例，比如：\"我们上季度为 X 公司设计过类似的交易结构，我们应该保持一致。\"</p>\n<p>这些都没有被我们的 systems of record 所捕获。CRM 显示了最终价格，却没显示谁批准了偏差以及原因。支持工单写着\"升级到 Tier 3\"，却没显示导致该决策的跨系统综合分析。正如 Gupta 所说：</p>\n<blockquote>\n<p>\"将数据与行动联系起来的推理过程，从一开始就没被当作数据对待。\"</p>\n</blockquote>\n<p>这是每家企业试图扩展智能体时都会撞上的墙。这面墙不是缺失数据，而是缺失 <strong>decision traces</strong>。</p>\n<h2>从工具到技能再到上下文：我一直在记录的这一演进</h2>\n<p>读着 Gupta 的文章，我意识到我在博客上记录的这一演进（从 MCP 到 Agent Skills 再到治理）实际上是一个关于为 Context Graphs 构建基础设施的故事。让我来解释一下。</p>\n<p><strong>第一阶段</strong>是关于<strong>工具</strong>的。Model Context Protocol（MCP）赋予智能体与外部系统交互的能力。它是将智能体连接到数据库、API 和外部世界的管道。但我们很快发现，仅有工具访问权限是不够的。拿着锤子的智能体不是木匠。</p>\n<p><strong>第二阶段</strong>是关于<strong>技能</strong>的。Anthropic 的 Agent Skills 标准为我们提供了一种将程序性知识编码化的方式，即教导智能体有效使用工具的\"操作指南\"。技能是智能体的大脑。它们将部落知识转化为可移植、可组合的资产。但仅有技能也不够。拿着锤子和木工手册的智能体仍然不是大师级木匠。</p>\n<p><strong>第三阶段</strong>是关于<strong>上下文</strong>的。这正是 Context Graphs 的用武之地。Context Graph 是每一项决策、每一个例外和每一个结果的累积记录。它回答了\"上次发生了什么？\"这个问题。它将例外转化为先例，将部落知识转化为机构知识。</p>\n<table>\n<thead>\n<tr>\n<th><strong>阶段</strong></th>\n<th><strong>原语</strong></th>\n<th><strong>提供什么</strong></th>\n<th><strong>我的类比</strong></th>\n</tr>\n</thead>\n<tbody>\n<tr>\n<td><strong>第一阶段</strong></td>\n<td>Tools (MCP)</td>\n<td>能力</td>\n<td>智能体有一把锤子。</td>\n</tr>\n<tr>\n<td><strong>第二阶段</strong></td>\n<td>Skills (Agent Skills)</td>\n<td>专业知识</td>\n<td>智能体有一本木工手册。</td>\n</tr>\n<tr>\n<td><strong>第三阶段</strong></td>\n<td>Context (Context Graphs)</td>\n<td>经验</td>\n<td>智能体能够查阅它曾经建造过的每一栋房子的记录。</td>\n</tr>\n</tbody>\n</table>\n<h2>为什么这对治理栈（Governance Stack）很重要</h2>\n<p>我一直在倡导的 governance stack（agent registries、tool registries、skill registries、policy engines）正是使 Context Graphs 成为可能的基础设施。agent registry 提供了做出决策的智能体的身份。tool registry（即 MCP）提供了该智能体可用的能力。skill registry 提供了指导智能体行动的专业知识。而 orchestration layer 则是捕获并持久化 decision trace 的地方。</p>\n<p>没有这样的基础设施，decision traces 只是转瞬即逝的。它们只在智能体的上下文窗口中存在片刻，然后便消失无踪。有了这样的基础设施，每一项决策都成为一个可审计、可学习、可作为先例的持久化产物。</p>\n<h2>我的收获</h2>\n<p>Gupta 说得对，agent-first（智能体优先）的初创公司在这里拥有结构性优势。它们位于执行路径之中。它们在决策时刻能看到完整的上下文。而建立在当前状态存储之上的现有企业，根本无法捕获这些。</p>\n<p>但对我来说，更大的洞见在于：<strong>我们不仅仅是在构建智能体。我们正在构建企业的决策记录。</strong> Context Graph 不是一个功能特性；它是一种新型 system of record 的基础。在智能体时代获胜的企业，将是那些认识到这一点，并投资于捕获、存储和利用其 decision traces 的基础设施的企业。</p>\n<p>我们从赋予智能体工具开始。然后我们教会它们技能。现在，我们必须赋予它们上下文。这就是万亿美元的演进。</p>\n<p><strong>参考文献：</strong></p>\n<p>[1] <a href=\"https://x.com/JayaGup10/status/2003525933534179480\">Gupta, J. (2025, December 23). <em>AI's trillion dollar opportunity: Context graphs</em>. X.</a></p>",
  "source_hash": "sha256:e7379cb852b9a12aca118dd153bc424ad956047367e5eb32608d1d7c597393bb",
  "model": "moonshotai/kimi-k2.6",
  "generated_at": "2026-05-31T02:54:10.727916+00:00"
}