我们正步入一个新时代，人工智能代理已正式从被动助手转变为能够自主决策的主体。从事件响应到信贷审批，这些代理如今能够提出建议，并在复杂的企业系统中协调工作。然而，这一深刻变革也暴露出一个关键的新瓶颈： 背景.
借鉴我们新发布的白皮书中的见解，, 知识图谱与语境工程, 本文总结了企业需要构建的三个层面的基础，以确保代理式人工智能可靠、可审计且真正自主。.
在生产环境中，AI 代理的性能与其说取决于其底层的大型语言模型，不如说更多地取决于它能够成功进行推理的上下文。 问题在于，传统的企业data架构并非为捕捉推理能力而设计。它们能够捕获当前状态，例如已登录的客户、已开启的工单或已部署的版本，却完全忽略了那些存在于人们脑海中或零散聊天记录中的隐性历史——包括先例、被豁免的政策以及获准的例外情况。.
为了解决这个问题，各组织必须通过构建一个分层且相互关联的基础架构——即知识图谱、本体和上下文图谱——来采用上下文工程。正如Foundation Capital所指出的，这代表着 “人工智能带来的万亿美元机遇”.
第1章：知识图谱——连接企业所掌握的知识
传统上，企业data系统采用关系型表结构，将客户或产品等实体孤立在彼此割裂的“桶”中。虽然这种关系型方法在事务处理和报表生成方面表现出色，但它完全忽视了企业实际的运营方式。 大多数业务问题本质上都是关系型的：谁买了什么、哪些系统相互依赖，以及事件随时间如何演变。.
知识图谱正是为了契合这一现实而专门设计的。它不再将事实存储在孤立的表格中，, 它们将信息表示为由实体及其明确关系构成的网络，从而将data范式从“字符串”转变为“事物”. 试想构建客户真正360°视图所面临的挑战。 在传统的SQL data数据库中，要查明哪些客户针对通过特定营销活动购买的产品提交了支持工单，需要进行缓慢、复杂且不稳定的多路连接。而在知识图谱中，同一查询只需通过追踪命名边进行一次直观的遍历，例如 已放置, 包含, 或 已开放.
关键在于，知识图谱提供了捕捉隐性知识——即业务逻辑中那层无形的层面——所需的灵活性。隐性知识，例如一位经验丰富的计划员知道哪些交货延迟是可以接受的，或者哪些供应商尽管指标不佳但依然可靠，这类知识无法纳入预先定义的关系型模式中。. 知识图谱会在发现新实体、新关系和新例外时将其纳入其中 无需进行后续的 database 迁移。这使其成为代理式人工智能的理想基础，使自主系统能够处理真实的业务逻辑，而非松散关联的文本。.
第2章：本体论与语义治理——定义其含义
将企业data连接起来仅仅是第一步；一个没有明确结构的图从根本上来说是无法使用的。要确保可靠性，知识图谱需要一个本体。本体提供了概念框架：它定义了实体的本质、它们之间的关系以及适用的操作规则。.
当审视标准检索增强生成（RAG）的局限性时，本体的重要性便显而易见。在企业级应用中，向量空间会变得拥挤不堪。 一份会议记录、一张 Jira 工单以及关于类似项目的 Slack 讨论串，在嵌入模型看来在数学上完全相同，这会导致 AI 检索到无关或脱离上下文的事实。. 解决方案是从 RAG 转向 GraphRAG。. 通过利用本体论，围绕明确的关系组织检索，GraphRAG 使 AI 的回答基于可验证的企业关联，而非仅仅基于表面层面的文本相似性。.
此外，随着企业将非结构化内容（如PDF文件和对话记录）纳入结构化知识管道，本体便发挥了语义契约的作用。它们为概率性大型语言模型（LLMs）提供了确定性的边界。具体而言，本体通过以下三种关键方式确保了智能体的可靠性：
- 强制执行必须为真的命题： 本体可以依据严格的规则对操作进行限制。例如，它们可以确保在所有必需文件均经过明确核验之前，代理无法将贷款状态更改为“已批准”，从而在违规行为扩散之前将其扼杀在萌芽状态。.
- 实时推导新事实： 如果某个本体将“VIP客户”定义为已完成五笔订单的用户，那么当用户下达第五笔订单的瞬间，系统就会自动推断并提升该客户的等级。只要满足该条件，系统就会立即触发新的代理工作流，而无需任何自定义的应用程序逻辑。.
- 让决策变得可解释： 当代理拒绝一笔贷款或对工单进行优先级排序时，其理由不再是“模型这么说的”。该决策可追溯至一套通用的业务术语体系，人类团队可以轻松审核并理解这些术语。.
第3章：上下文图与代理式人工智能——将知识转化为行动
虽然知识图谱和本体描述了事物的存在及其遵循的规则，, 真正的代理系统需要动态的、可操作的上下文. 他们需要了解当前的情况，以及该组织过去的表现。.
Salesforce、ServiceNow 或 Workday 等记录系统在记录当前状态方面非常出色，但对于具有自主行为能力的人工智能而言，它们从根本上来说是远远不够的。 一项复杂的运营决策（例如事件处理）可能涉及 GitHub 日志、部署监控以及大量 Slack 讨论。而在记录系统中，仅会存储最终的“已解决”状态。其中的因果链、权衡取舍以及历史先例则完全消失了。.
这正是上下文图大显身手之处。上下文图能够捕捉决策背后的推理过程。它将决策作为第一类实体进行存储，并将其与所应用的政策、获准的例外情况以及因果结果相关联。白皮书中有一条有力的观察结果指出：
“为人类开发的软件捕捉的是事实本身。为智能体开发的软件则需要捕捉事实是如何形成的。” – 弗洛伦斯·贝内齐特，Artefact合伙人
如果没有这一层，人工智能代理就只是一个无状态的推理器，每次被调用时都必须完全从头开始。有了上下文图，该代理就能像资深员工一样进行推理：援引历史先例，理解过去为何做出例外处理，并预判下游影响。.
为了应对这一新形势，领导团队必须明确区分“能动型企业”的三个基础层面：
- 知识图谱： 记录企业所掌握的信息（客户、产品、法规、依赖关系）。这是企业的共享且稳定的模型。.
- 内存图： 记录智能体所记住的内容（用户偏好、过往交互、情节性与语义性经验教训）。这可确保智能体不会从零开始。.
- 上下文图： 记录组织如何做出决策（决策轨迹、先例、所采用的政策以及推理路径）。正是通过这一点，组织推理才变得可计算。.
这三层协同作用，共同营造出一种决策随时间推移而产生累积效应的环境。最终，这将使企业能够超越单纯记录运营数据的层面，构建一个真正的“模拟器”，该模拟器能够主动预测组织行为及其下游影响。.
结论：企业应该从哪里着手？
鉴于需要涵盖的理论内容如此之多，企业面临的首要问题是：我们该从哪里着手？答案并不是立即尝试构建一个庞大而单一的企业图谱。相反，企业应严格从工作流入手。.
找出一个反复出现且影响重大的决策场景，其中正确的答案目前在很大程度上依赖于资深员工凭借其隐性经验来弥合分散的系统之间的差距。如果瓶颈在于信息分散，那就从构建知识图谱开始；如果挑战在于人工智能交互之间的连续性，那就重点关注记忆功能。 如果障碍在于理解过去的决策并审核推理过程，则构建一个上下文图。.
我们正迈入一个人工智能毫无疑问地从回答问题转向执行现实世界操作的时代。这个新时代的赢家不会仅由计算能力来决定。归根结底，未来十年企业人工智能领域的胜出者，不会是拥有最佳模型的企业，而是那些能为智能代理提供最佳情境支持的企业。.
