让Agent读懂组织:AI Native转型的Context Platform设计

前面讨论AI Native组织落地时 AI Native落地:Agent Context Platform与AgentWorks,我们已经明确了一个判断:

个人AI工具不会自动变成组织能力。

这篇文章只讨论其中一层基础设施:

Agent Context Platform,后文简称ACP

重点放在落地问题:不同来源的组织事实,如何被自动提取、存储、索引和查询,最终变成Agent可以稳定消费的上下文。


一、为什么需要Agent Context Platform

AI工具在组织里遇到的最大瓶颈,是上下文断裂。

一个真实业务问题,往往同时分布在多个系统里:

用户反馈在客服系统
需求讨论在飞书文档
原型在设计工具
代码在Git
Review意见在PR
测试结果在CI/CD
发布记录在发布系统
线上变化在指标平台
历史原因在事故复盘和老Commit里

人类可以靠经验、会议、私聊和组织关系把这些信息拼起来。

Agent不行。

Agent需要明确、可查询、可追溯的上下文结构。

如果没有Agent Context Platform,每个Agent只能在局部系统里工作:

  • 写代码时缺需求背景
  • 分析反馈时缺工程现实
  • Review PR时缺历史约束
  • 判断风险时缺发布和指标上下文
  • 生成需求建议时缺代码和历史决策

这会导致Agent看起来很聪明,但经常做局部最优判断。

Agent Context Platform要解决的就是这件事:

把组织事实变成Agent可以稳定调用的上下文资产。

二、一个可落地的Context Platform要考虑什么

Agent Context Platform不能按传统知识库设计。

传统知识库面向人阅读。

ACP面向Agent发现、读取、关联和追溯上下文。

一个可落地的ACP,至少要满足六个设计约束。

1. 事实源不动,只建上下文镜像

第一阶段不要改造所有存量系统。

需求系统、Git、PR、CI/CD、反馈系统、指标平台继续做事实源。
ACP只同步Agent高频需要的上下文。

同步方式可以混用:

  • 支持Push的系统走Webhook、事件、API回调
  • 不支持Push的系统走定时Pull
  • 历史材料可以先Manual Import

2. 所有Context必须同构

不同数据源的原始结构可以不同,但进入ACP后必须统一成最小协议:

path
title
digest
search_text
body_compact
source_ref
acl
updated_at
content_hash

否则rg、cat、head无法跨文档、PR、Commit、Feedback、Release统一工作。

3. 主路径是内容检索,不是传统RAG问答

组织上下文查询,很多时候是在做明确定位:

  • 某个模块在哪里出现过
  • 某个Feature关联了哪些PR和Release
  • 某个错误码、规则或历史约束在哪些Context里被提到
  • 某次发布前后发生了哪些反馈和指标变化

所以ACP的主路径更接近Coding Agent找代码:先看结构,再搜关键词,再读内容,必要时回到原始事实源继续深挖。

对应到产品能力,就是虚拟Context Filesystem和内容检索:tree看结构,rg定位,cat/head读取body_compact,source_ref负责回到完整内容或原始事实源。

4. 查询链路必须支持Deep Dive

Agent不能只拿一组搜索片段。

ACP要支持完整下钻链路:

先定位
再精读
再追溯
再关联
再判断

对应能力是tree、rg、cat/head和source_ref下钻。

5. 权限要在召回前生效

企业上下文平台不能先召回内容,再让Agent判断能不能看。

先权限过滤,再召回内容。

acl必须进入查询条件,而不是查询后的展示过滤。

6. 每条Context都要可追溯、可更新

source_ref负责回到原始事实源或完整内容快照,updated_at说明同步时间,content_hash判断内容是否变化。

没有这三个字段,ACP很快会变成一套无法确认来源、无法判断新旧的脏上下文。


三、不同数据源如何生成Context

这是ACP最关键的一层。

不同数据源的生成逻辑可以不同,但输出协议必须一致。

所有Context最终都要落到同一套最小协议:

path
title
digest
search_text
body_compact
source_ref
acl
updated_at
content_hash

这样rg不需要理解什么是文档、PR、Commit、Feedback、Release。

它只需要在某个path范围内搜索search_text。

cat和head也不需要理解数据源类型,只读取body_compact。

差异只发生在Builder阶段。

Builder负责把不同来源的原始数据,组织成统一协议里的body_compact、digest和search_text。

1. Builder只负责生成三个核心内容字段

body_compact是给Agent默认精读的受控正文。

digest是给Agent快速判断是否值得继续下钻的摘要。

search_text是给rg这类内容检索命令使用的统一召回字段。

ACP不需要把每类来源里的业务细节都变成平台字段。

那些细节应该进入body_compact,必要关键词进入search_text,来源和完整内容入口进入source_ref。

2. 不同来源只是生成方式不同

文档类Context:

body_compact:受控大小的Markdown或可读正文
digest:文档核心摘要
search_text:标题、目录标题、摘要和正文

Feature类Context:

body_compact:Spec、原型引用、Release信息和状态摘要
digest:这个Feature解决什么问题、当前推进到哪里
search_text:Feature名称、Spec正文、验收描述、关联PR/Release标识

PR/Commit类Context:

body_compact:PR说明、Commit Message、关键Diff摘要、Review摘要和验证信息
digest:为什么改、改了什么、验证状态如何
search_text:标题、说明、变更文件、关联Feature/PR、Review关键词

Feedback类Context:

body_compact:问题簇摘要、典型样本、趋势变化、处理状态和下钻入口
digest:这个反馈簇反映什么问题、规模和趋势如何
search_text:问题主题、样本文本、用户表达、产品区域、处理状态

Release/Incident类Context:

body_compact:发布说明、复盘正文、影响范围、修复动作、防复发措施和相关链接
digest:发生了什么、影响什么、结果或约束是什么
search_text:版本号、事故标题、影响模块、风险关键词、发布状态

3. 更新策略保持一对一

第一阶段不要把一篇文档、一个PR或一次复盘拆成大量派生Context。

更稳的方式是:

一个源对象 → 一个Context Document

源对象变化后,只重建这个Context Document的body_compact、digest、search_text、updated_at和content_hash。

少量需要跨场景复用的长期约束,可以在后续经过确认后再升级成独立Context。


四、存储设计:Context Store和Context Index

当前协议下,第一阶段不需要把存储层拆得太复杂。

核心只需要两层:

Context Store
Context Index

1. Context Sto…

— 以上为试看内容(约 40%),开通会员后阅读全文 —