上下文图谱(Context Graphs)是必要的。UCL( Unified Context Layer:统一上下文层)让它们真正发挥作用——通过能够消费、学习和行动的系统。这就是智能体实现真正自主的方式。
一张图说明问题与解决方案。 供应商延迟交货,风险评分飙升,截止日期逼近。
- 没有UCL:数据孤岛,2-3天的争议处理,缺乏治理的流水线,没有审计追踪。
- 有UCL:四个数据源融合为统一基座,情境分析对信号进行评分和路由,三个Copilot接收受管控的上下文包,证据账本捕获每一个决策——从08:15的信号检测到第4天的准时交付。
我们为何获胜:复合护城河 — UCL馈送结构,智能体工程馈送智能,两个循环从累积语义图谱读取并回写
执行摘要
企业级AI正在大规模失败。据S&P Global Market Intelligence数据,2025年有42%的企业放弃了大部分AI项目——较一年前的17%大幅上升。对财富2000强企业部署的行业分析显示,87%的企业RAG实现未能达到ROI目标。智能体碎片化地处理上下文,并在没有契约的情况下回写到业务系统。
失败点不在于模型能力。基础模型已达到显著的复杂程度。失败点在于上下文——碎片化、缺乏治理,被视为副产品而非工程化基础设施。
上下文图谱(Context Graphs) 已成为一个引人注目的理论方向——企业知识的结构化表示,使AI能够推理而非仅仅检索。但上下文图谱作为数据结构是必要的,而非充分的。真正的难题仍未解决:
- 智能体决策:智能体必须分析情境并做出决策——而非遵循脚本。这需要能够消费图谱的系统:遍历、推理、评估选项、确定响应。没有这一点,智能体无法真正自主。
- 智能体生产化:部署必须在运行时演进。这需要能够操作图谱的系统:创建、合并、修改、连接——在每次执行中积累智能。没有这一点,智能体在发布后就会僵化,在生产中性能衰减。
- 企业集成:企业在ERP、EDW、流程挖掘、ITSM等领域已投资数十年。这些系统包含智能体需要的信号和机构知识。任何解决方案都必须集成这些投资,而非忽视它们。
将元数据导入Neo4j并不能让智能体工作。你需要消费结构(读取的系统)、变异操作(回写的系统)和受控激活(安全行动的系统)。这就是真正自主的智能体与脚本化Copilot的区别。
本报告提出统一上下文层(UCL)作为企业级上下文工程的领先架构——该架构将上下文图谱 operationalize(可操作化),并使真正自主的智能体能够在企业治理框架内运行。
1. 上下文工程:正式学科
1.1 定义与范围
[图1:上下文工程分类法 — 三层架构,展示上下文管理、上下文处理、上下文检索与生成]
上下文工程是对推理时提供给大语言模型的所有信息进行系统性设计、优化和治理的学科。这一定义来自对1400多篇研究论文的综述(arXiv 2507.13334),将上下文工程确立为超越简单提示设计的正式学科。
范围涵盖:系统指令和提示、对话历史和记忆、检索到的信息、工具定义和模式、结构化输出约束,以及治理机制。
关键洞察:LLM的功能类似于一类新的操作系统。模型充当处理器;上下文窗口充当工作内存。上下文工程管理在每个推理步骤中占据该窗口的内容。
1.2 理解-生成不对称性
一个关键发现:模型在理解复杂上下文方面表现出卓越能力,但在生成同样复杂的输出时却遇到困难。在GAIA基准测试中,人类受访者达到92%的成功率,而配备插件的GPT-4约为15%(arXiv 2311.12983)。这是合成失败,而非检索失败。
其含义是:更多上下文并不足够。上下文的架构——如何结构化、排序和呈现——决定了模型能否将理解转化为有效的自主行动。
2. 行业中的架构方法
四种架构框架已经出现。每种解决不同方面的问题——每种都有特定的局限性,阻碍了真正自主的智能体操作。
2.1 模型上下文协议(MCP):集成标准
Anthropic的MCP解决了N×M集成问题,建立了将AI应用与数据源解耦的通用协议。生态系统包括75+生产连接器,并于2025年12月捐赠给Linux基金会的Agentic AI基金会。
局限性: MCP解决连接问题,而非治理问题。它实现了集成,但不强制执行语义、情境分析或受控激活。智能体可以连接数据,但无法对其自主推理。
2.2 Google ADK:上下文作为编译视图
[图2:ADK架构 — 源 → 编译器流水线 → 编译视图]
Google的智能体开发工具包将上下文框架为编译视图——源 → 编译器流水线 → 编译视图。它解决三个压力:…