企业AI的下一波爆发点不在模型，而在上下文图谱。只有先构建操作上下文（身份、关系、时态、跨系统合成），才能捕获有价值的决策痕迹，形成可复用的先例网络。
企业AI的下一个万亿级机会：不是模型，而是上下文图谱
你有没有想过，为什么今天的企业AI代理明明有了最强大的大模型，却依然像个“没长脑子的实习生”？你让它处理客户续约，它却在政策红线边缘反复试探；你让它分析销售漏斗，它却把不同系统的数据当成平行宇宙；你让它写个周报，它连你上周到底开了哪几个会都搞混了。问题到底出在哪？
最近，Founders Fund旗下知名风投Foundation Capital发表了一篇极具洞察力的文章《上下文图谱：AI的万亿美元机遇》，彻底点破了当前企业AI发展的致命盲区——我们一直在给AI喂数据，却从未教它“理解组织”。
这篇文章由Jaya Gupta和Ashu Garg联合撰写，直指核心：下一轮万亿美元平台的诞生，不是靠把AI塞进现有的CRM、ERP或HR系统，而是要捕捉企业从未系统化存储过的东西——决策痕迹（decision traces）。
什么是决策痕迹？简单说，就是“为什么这个决定能被允许发生”的完整证据链。
比如，一个AI代理打破10%的折扣上限，给出了20%的优惠，它背后动用了哪些依据？是不是因为客户有重大故障记录？是不是VP特批？是不是参考了去年某个相似案例？这些逻辑原本只存在于人的脑海或碎片化的聊天记录里，而CRM里只留下冷冰冰的一行：“折扣：20%”。一切让这个决策“可理解、可复用、可审计”的上下文，全被丢进了数字黑洞。
但我要补充的是：没有“操作上下文”（Operational Context）作为地基，决策痕迹根本无从谈起。
AI代理连“Sarah Chen是谁”“Acme账户归谁管”“上个月合同条款是什么”都搞不清楚，怎么可能记录下有意义的决策逻辑？这就像让一个刚入职的实习生直接写董事会纪要，却不给他公司通讯录、组织架构图或历史档案。
今天的企业AI之所以频频翻车，不是因为模型不够聪明，而是因为我们没给它构建一个“能理解组织现实”的基础环境。
操作上下文：AI代理真正需要的“操作系统”
让我们先拆解什么叫“操作上下文”。这不是什么玄学概念，而是AI代理在企业环境中正常运作所必需的四大基本能力。
第一是身份解析（Identity Resolution）。同一个“张伟”，在邮件里叫Zhang Wei，在Slack里被喊“老张”，在会议记录里是“张工”，在CRM里又是“Zhang, Wei (Customer Success)”。对人类来说，这些标签指向同一个人毫无障碍；但对AI来说，这四个“张伟”就是四个独立实体。没有统一的身份解析，AI根本无法追踪一个人在组织中的完整行为轨迹，更别说理解他参与的决策了。
第二是所有权与关系建模。谁负责Acme这个大客户？支付系统的Bug归哪个工程师管？支持团队升级的工单怎么和产品路线图挂钩？这些关系在企业里真实存在，但它们散落在CRM、Jira、Confluence、甚至是微信群里，从未被建模成可查询的结构化数据。AI代理面对的是一个“关系黑箱”，只能靠猜。
第三是时态状态理解（Temporal State）。组织不是静态的。客户ARR（年度经常性收入）每月在变，合同条款每季度更新，团队架构也可能随时调整。AI代理必须能回答：“在2024年11月那次续约决策发生时，客户的合同条款是什么？ARR是多少？”而不是只能告诉你“现在是什么”。没有时间维度的上下文，等于没有上下文。
第四是跨系统信息合成（Cross-system Synthesis）。现实中，一个决策往往依赖多个系统的碎片信息：支持主管看CRM确认客户等级，查Zendesk发现有三个未解决工单，翻Slack看到销售预警客户可能流失，最后决定破例升级处理。这一整套信息整合发生在人的大脑里。但没有任何系统记录下“这次合成是怎么发生的”。AI代理如果只访问单个系统，就会像盲人摸象，永远拼不出全貌。
这四大能力合起来，就是“操作上下文”——它让AI代理像人类员工一样，理解组织中“谁、拥有什么、何时、如何关联”的基本事实。没有这一层，所谓的“智能代理”不过是高级版关键词搜索器。
决策上下文：从“做了什么”到“为什么能这么做”
一旦操作上下文就位，我们才能构建更高阶的“决策上下文”——也就是Foundation Capital文章里强调的“决策痕迹”。
决策上下文包含三个关键要素：输入日志（什么信息被采集了？）、规则评估（哪一版政策被引用？有没有例外？）、审批链路（谁批准了？依据哪个先例？）。当AI代理做出一个突破常规的决定时，系统不仅要记录结果，更要记录整个推理链。比如：“本次20%折扣基于v3.2版折扣政策第5条，因客户在过去90天内遭遇三次P1级故障（来源：PagerDuty），且2023年Q4曾有类似先例（ID: DEC-8892），经销售VP李明特批（审批链接）”。
这些决策痕迹积累起来，就形成了所谓的“上下文图谱”（Context Graph）——一个跨越实体与时间的活体知识网络，让“先例”变得可搜索、可复用。下次再有类似客户，AI代理可以直接问：“历史上我们怎么处理这种高价值但高投诉率的客户？”系统返回的不是模糊的文档片段，而是结构化的决策案例，包含完整上下文与结果反馈。
但请注意：决策上下文必须建在操作上下文之上。如果AI连“李明是谁”“DEC-8892案例涉及哪些客户”都搞不清，那所谓的“先例查询”就是空中楼阁。这也是为什么今天绝大多数企业AI项目止步于POC（概念验证）——它们试图直接跳到决策层，却忽略了地基根本不存在。
为什么RAG和AI记忆根本解不了这个局？
面对上下文缺失的问题，市场目前主要靠两种方案：RAG（检索增强生成）和“AI记忆”平台。但它们都有结构性缺陷。
RAG的本质是“高级关键词搜索”。你问“Sarah对API集成说了什么？”，它会从一堆嵌入向量里找出语义相近的文本块。但它完全不懂“Sarah”是一个有完整交互历史的人，也不理解“API集成”是一个连接多个团队的项目，更无法追踪这个话题如何从Slack蔓延到邮件再进入会议纪要。RAG存储的是“相似性”，不是“意义”。它把组织知识当成文本文档处理，而不是一个动态演化的实体关系网。
而市面上的AI记忆产品呢？它们大多只记录你和AI的聊天历史。比如“用户讨论了Acme定价”。但这和“理解Acme作为一个客户实体，拥有哪些关键人、历史合同、支持工单、决策记录”完全是两回事。AI记忆捕捉的是对话，不是组织现实。
问题的根源在于：组织知识本质上是一个图（Graph），不是一堆文档。人连着客户，客户连着项目，项目连着决策，决策连着结果——所有这些节点和边都在随时间演化。没有图结构，AI就是上下文盲人。它能“找到相关文字”，但无法“理解组织逻辑”。
操作上下文层到底长什么样？
那么，一个真正的操作上下文基础设施应该具备哪些核心能力？
首先是身份解析的实体建模。人、公司、地点、事件都必须被建模为标准实体，最好遵循Schema.org这类开放标准。这样，“Sarah Chen”就不再是分散在各处的文本碎片，而是一个统一实体，连接她参与的所有对话、文档和决策。
其次是多模态数据摄入。系统必须能接入Slack、邮件、会议录音、CRM、代码库、项目管理工具等30多种数据源，并且保留原始结构（比如邮件的发件人/收件人、Slack的频道/线程结构），而不是粗暴地把一切压成纯文本再嵌入。
结构即语义，丢掉结构等于丢掉上下文。
第三是时态建模能力。不仅要记录当前状态，还要记录每个实体和关系如何随时间演变。AI代理需要能回溯到任意时间点，重建当时的组织快照。
第四是关系映射。系统必须自动识别并存储实体间的关联：某人属于某团队，某文档关联某项目，某决策涉及哪些利益相关方。这些关系不是元数据，而是核心数据。
第五是代理互操作性。上下文层必须通过标准协议（如新兴的Model Context Protocol, MCP）向任何AI代理开放，不能绑定在单一厂商生态里。
最后是企业级部署选项。对于有合规要求的组织，整个上下文层必须能部署在私有云或本地，满足数据主权需求。
Graphlit在做什么：构建AI代理的“组织操作系统”
自2021年起，我们团队就在打造一个名为Graphlit的平台，目标就是提供AI代理所需的“操作上下文层”。我们不是在建另一个文档库，而是在构建一个类似现代媒体或传感器数据系统的基础设施——保留结构、来源和时间戳，而不是把一切压成文本块。
今天，Graphlit已经能实现身份解析、实体抽取、关系映射、时态建模，并支持30多个企业数据源的多模态摄入。接入Graphlit的AI代理，能真正理解“谁拥有什么”“事情如何关联”“什么发生了变化”——这是任何有意义决策记录的前提。
下一步，我们将深化三大方向：
一是以CRM作为实体主干。我们发现，像Attio这样的新型CRM提供的账户、联系人、商机等对象，是组织多模态内容的最佳结构化锚点。一旦这些核心实体确立，Slack消息、邮件、文档都能干净地挂载到图谱上。
二是构建代理记忆与决策日志。当AI代理通过Graphlit执行工作流时，我们将不仅记录它访问了什么内容，更记录它“如何合成信息”“基于什么逻辑做出决定”。
三是工作流埋点（Workflow Instrumentation）。正如Foundation Capital所说，捕获决策痕迹必须“在执行路径中”。我们的MCP服务器已经处于代理的上下文检索路径上，下一步就是扩展到决策输出端——记录批准、例外、先例引用等高阶语义。
决策痕迹需要行业标准，不能各自为政
这里要提一个关键点：决策痕迹不能是每个平台自说自话。今天的LLM可观测性领域（如LangSmith、AgentOps）已经围绕“执行痕迹”建立了标准：输入、输出、延迟、工具调用等。但这只是技术层日志，不是业务层语义。
真正的决策痕迹应该是：“本决策依据v3.2版政策第5条，因P1故障触发VP例外，参考先例DEC-8892，由李明批准”。这种业务语义需要行业级标准，就像OpenTelemetry之于可观测性，Schema.org之于实体标记。否则，每个平台用自己的私有格式记录决策，跨系统查询先例就永远不可能。
Graphlit的架构选择让我们处于有利位置——我们已采用Schema.org和JSON-LD对人、组织、事件建模。扩展到决策痕迹（政策版本、例外类型、审批人、先例引用）是自然演进。更重要的是，我们押注开放标准，而非私有Schema，这让我们能兼容未来行业共识。
为什么现在是构建上下文基础设施的最佳时机？
三大趋势同时汇聚：
第一，ChatGPT引爆了企业对“专属AI”的需求。每个组织都想要一个真正理解自己业务的AI，而不是通用大模型。这个需求真实且持久。
第二，MCP（Model Context Protocol）正在标准化代理互操作性。这意味着上下文层只需构建一次，就能服务Cursor、Claude、自定义代理等所有未来AI。
第三，各家公司正在大规模实验AI代理，却普遍遭遇上下文缺失的墙。它们发现，仅靠治理或提示工程无法解决根本问题——AI需要操作上下文才能正确推理，需要决策上下文才能从先例中学习。
有人必须来建这个上下文基础设施。这就是我们专注的方向。
作者背景
Jaya Gupta是Foundation Capital的合伙人，专注于AI与企业软件投资，曾主导多个人工智能基础设施项目的早期投资。Ashu Garg是该基金的创始合伙人，拥有超过20年企业软件经验，是Workday等多家知名SaaS公司的早期董事会成员。两人长期关注AI如何重塑企业工作流，其观点在硅谷具有广泛影响力。