假期里，围绕“上下文图谱（context graphs）”出现了不少热烈的讨论，这股热潮源自 @JayaGup10 和 @ashugarg 关于“AI 的万亿美元机会：上下文图谱”的那篇帖子。在 Glean，我们对此感到兴奋——因为它终于有了一个名字：上下文图谱不只理解你的数据，还理解你的公司实际上是如何运转的。
我们正处在这样一个阶段：企业内几乎一切都已被数字化——决策与结构化数据被记录在系统化的记录系统（systems of record）里，而日常工作则在沟通工具、项目管理系统、代码仓库等各种系统中展开。
上下文图谱让企业里“工作真正是如何完成的”变得清晰，从而使自动化成为可能。随着智能体（agents）兴起，并具备推理与行动能力，自动化将迎来一次重大解锁——但前提是，这种推理必须扎根于正确的企业上下文之中。
随着 AI 进步，上下文必须演进
Glean 的创立基于这样一种认知：卓越的搜索是上下文的基础。这意味着理解内容——对非结构化数据进行索引，让员工能在全企业范围内搜索，并快速找到最新且最相关的信息，比如最新的设计文档、政策更新或客户备注，用来回答问题或推进被卡住的任务。
但随着 AI 开始承担更复杂的工作，我们意识到这一基础需要扩展。仅理解企业数据本身还不够；系统还需要“关系知识”。企业中工作如何被完成，从根本上是由关系驱动的——例如知道谁负责某个客户账号、谁审批合同、哪个工程师值班、或当事故升级时哪些团队会协同。
RPA 与工作流工具一直试图自动化组织中那些最容易被理解的流程，但绝大多数工作是分布式的——由个人和小团队完成，流程往往只以“部落知识（tribal knowledge）”的形式存在。我们如何把这绝大多数工作纳入自动化范畴，并让智能体学习并自动化这些工作？这正是上下文图谱发挥作用的地方。
上下文图谱的核心：捕捉流程的现实，以实现工作自动化
Glean 对上下文图谱的进一步提炼是：“你无法可靠地捕捉‘为什么（why）’，但你可以捕捉‘怎么做（how）’。”
“为什么”往往是一个思考步骤，通常只存在于某个人的脑海里——你无法真正对它建模。有时它会在会议纪要或 Slack 讨论串里有所暗示，但其中很大一部分从未以清晰、可持久的方式被写下来。
相反，“怎么做”会留下丰富的数字足迹：重复出现的步骤、数据更新、审批、协作模式、字段变化，以及跨系统行为在时间维度上的演化。经过许多轮循环，这些流程痕迹会逼近“为什么”——你可以从工作反复被完成的方式模式中推断动机与理由，而不是试图字面意义上存储每一个人的想法。
基于这一点，上下文图谱背后的目标就变成了：先捕捉“怎么做”（流程），再随着时间推移学习“为什么”（意图）。如果智能体要在企业中自动化真实工作，那么路径就是对流程进行深度建模，以理解工作在什么条件下继续、暂停或升级；这样当下一次类似情境出现时，智能体就能判断应采取的正确行动。
上下文图谱是一项技术投入
要建立这种程度的知识与理解并不容易。构建上下文图谱很难：
- 可观测性（通过连接器与应用） ：要全面理解企业里发生了什么，不能只依赖来自记录系统的干净、结构化的决策数据。还需要对工作真正发生的连接器与应用具备可观测性——既要有广度去覆盖员工使用的众多工具上的活动，也要有深度从每个连接器中提取有意义的信号。举例来说，一个连接到 Salesforce 的连接器可能暴露“商机阶段变化”这类信息，但真正的可观测性还来自于同时看到跨关联应用的活动：在 Google Docs 中编辑的文档、在 Slack 里发送的消息、在 Calendar 里创建的会议，或在 Salesforce 中更新的记录——这些都需要通过各自的连接器从底层系统直接采集。
- 理解活动数据：除了对内容建立索引，系统还必须捕捉更底层的活动信号：在工具中发生的离散、带时间戳的动作。例如文档编辑、字段更新、添加评论、发送 Slack 消息、上传文件等。按时间顺序捕捉这些动作，并跟踪它们之间的状态变化，就能形成原始的活动数据。
- 推导更高层次的任务、项目与计划的理解：只有在收集了这些原子级活动数据之后，系统才可能开始推断更高层次的结构。在大量低层动作之上，结合模式识别与语义理解——例如反复的文档编辑、协调一致的 Slack 消息、对同一记录的频繁更新——可以聚合成“任务”“项目”或更宏大的“计划（initiative）”的信号。比如，连续几天内的文档创建与编辑、Slack 消息、记录更新，这些跨系统的序列可能共同代表一次客户入职推进或一次产品发布，即使这些工作从未在任何单一系统中被明确标注。
在企业环境中，将信号与噪声分离非常困难。以 @Glean 为例，我们对任务理解的准确率达到约 80%——这表明要让它可行，上游技术链路必须足够强大。更值得注意的是：由于面向企业，上下文图谱并不是在互联网规模上构建的。数据无法跨客户聚合；而且受隐私约束，最终数据集既更小、也无法被人类直接访问——因此必须通过算法来推断图谱。
上下文图谱是构成下一代数据平台的基础技术套件之一
尽管上下文图谱目前获得了最多关注，但在 @Glean 我们知道，解决上下文不能依赖单一技术。要真正理解流程，需要一整套技术栈协同：用于观测跨工具活动的连接器、用于快速检索的索引、用于建模企业结构与关系的图谱，以及用于记录智能体实际执行工作过程的记忆（memory）。正是这套技术栈，使系统能够从原始的企业数据走向“可以行动的智能体”。
当智能体开始在企业中运作时，“学习”就变得至关重要。对人类有效的方法，并不总能直接迁移到智能体身上。通过捕捉执行轨迹（execution traces）——智能体如何使用工具、按什么顺序、产生什么结果——系统可以从真实的智能体工作实践中学习。这些轨迹构成企业记忆，记录随着时间推移哪些做法对智能体真正有效。流程理解并非仅来自上下文图谱本身；它来自结构化理解与学习到的行为的结合。
当你退一步把这些层次整体看清——连接器、索引、图谱，以及个人与企业记忆——你会意识到，你实际上已经构建了一个全新的数据平台。它不是为报表或分析而设计，而是作为智能体自动化的骨干：一个能够观测工作如何发生、从执行实践中学习，并让智能体在全企业范围内可靠推进工作的系统。
上下文是智能体工作的基础
Jaya 和 Ashu 那篇帖子的核心问题，其实是：我们如何让智能体在企业中成功把工作做成？它们如何学习、理解并像你的企业一样运作？如果智能体要承担更多工作，这个机会就取决于一套上下文基础设施——它必须理解你的企业数据、你的关系网络，以及你的流程。
