企业AI真正缺的不是模型，而是“决策上下文”基础设施
当所有公司都在疯狂堆砌AI代理、调用大模型时，一个致命盲区被集体忽视：AI根本不知道“谁是谁”“谁管什么”“这事当时到底怎么定的”。
Foundation Capital最新报告《上下文图谱：AI的万亿美元机遇》一针见血指出，未来万亿级平台不会诞生于现有系统（如Salesforce、SAP）的AI化，而会崛起于一种全新数据资产——“决策痕迹”（decision traces）。
但问题在于，要记录“为什么这么决定”，首先得让AI理解组织运作的真实骨架。这层被称为“操作上下文”（operational context）的底层能力，目前几乎空白。没有它，所谓“上下文图谱”只是空中楼阁。
当前主流方案如RAG和AI记忆，仅能检索文本片段，无法构建人、事、物、时间交织的动态关系网络。
真正需要的，是一个能融合Slack、邮件、CRM、会议录音等多源信息，自动解析身份、归属、演变与关联的实时知识图谱。
Graphlit团队自2021年起专注构建这一基础设施，其核心在于以Schema.org标准建模实体，保留内容结构与时间线，而非简单切片嵌入。随着MCP（Model Context Protocol）协议推动代理互操作标准化，操作上下文正成为企业AI落地的必经之路——不是锦上添花，而是生死门槛。
决策痕迹：被遗忘的万亿级数据金矿
传统企业系统如Salesforce、Workday之所以能成为巨头，是因为它们锁定了“事实数据”——客户是谁、订单多少、员工在哪。
但这些系统只记录结果，不记录过程。
当一个续约代理突破10%折扣政策，给出20%优惠并获财务批准时，CRM里只留下一行“折扣20%”。而背后支撑这个决策的完整逻辑链——客户在PagerDuty的历史事故、Zendesk中的升级工单、Slack里VP特批的聊天记录、过往类似案例的先例——全部蒸发。
这些“决策痕迹”从未被当作数据存储，更别说结构化查询。
Foundation Capital的洞察在于：未来真正的系统级平台，将不再围绕“对象”（如客户、产品），而是围绕“决策”本身。
通过将每一次例外、每一次权衡、每一次审批编织成一张跨实体、跨时间的“上下文图谱”，企业能让AI不仅知道“做了什么”，更知道“为什么这么做”。这张图谱将成为可搜索的先例库，让新代理在面对相似情境时，能精准调用历史决策逻辑，而非从零推理。这不仅是治理升级，更是认知复用——把人类组织的隐性智慧显性化、资产化。
操作上下文：AI代理的“组织常识”缺失症
要构建决策痕迹，必须先解决一个更基础的问题：AI代理根本不理解组织是怎么运转的。
这被称为“操作上下文”缺失。具体表现为四大断层：
第一，身份碎片化。同一个“Sarah Chen”，在邮件里是sarah@company.com，在Slack里是@Sarah_C，在会议转录中是“陈女士”，AI无法识别这是同一人，导致互动历史割裂。
第二，权责模糊。Acme账户到底归谁管？支付服务出问题该找哪个工程师？这些关键归属关系散落在个人脑中或不同系统里，未被建模为可查询数据。
第三，状态失忆。做决策时依据的是合同哪个版本？客户当时的年经常性收入（ARR）是多少？AI只能看到当前快照，无法回溯历史状态。
第四，合成黑箱。支持主管综合CRM客户等级、Zendesk工单、Slack风险预警后决定升级处理——这一整套跨系统信息整合完全发生在人脑中，无任何数字足迹。
操作上下文正是要填补这些断层，为AI提供一套“组织常识”：谁是谁、谁管什么、事物如何演变、信息如何流动。没有这套常识，AI连基本的事实都无法对齐，更遑论记录复杂决策逻辑。
决策上下文：在操作基础上构建可追溯的智能
一旦操作上下文就位，决策上下文才真正成为可能。
这层能力聚焦于捕获决策本身的结构化元数据：调用了哪些输入？评估了哪版政策？触发了何种例外？由谁审批？参考了哪个先例？这些信息共同构成“决策痕迹”。
其价值在于三点：
一是先例复用。
当新案例出现，AI可直接查询“历史上类似情况如何处理”，避免重复造轮子；
二是审计透明。
监管或复盘时，不仅能查到“做了什么”，还能还原“为何被允许这么做”，包含完整上下文链；
三是持续进化。
每次决策都成为图谱的新节点，反哺未来代理的判断力。
关键在于，决策上下文高度依赖操作上下文作为地基。
如果AI连“审批人是谁”“政策版本对应哪个时间点”都搞不清，记录的决策痕迹就是一堆无意义的字符串。目前绝大多数企业两层皆无，导致AI代理看似智能，实则在信息孤岛中盲打误撞。
RAG与AI记忆为何治标不治本
市场对上下文缺失的回应主要是两种技术：RAG（检索增强生成）和AI记忆平台。但它们本质上仍在处理“文档”，而非“组织”。
RAG的工作方式是将海量文本切块嵌入向量库，用户提问时召回语义相近的片段。问题在于，它无法理解“Sarah Chen”是一个贯穿多系统的实体，也无法识别“API集成项目”涉及三个团队的协作关系。它返回的是孤立句子，而非关联事实。
同样，多数AI记忆工具仅存储用户与AI的对话记录，比如“用户讨论了Acme定价”。但这远非对Acme账户的完整认知——缺少利益相关者地图、历史交互脉络、过往决策轨迹。
根本症结在于，组织知识本质是动态图谱：人-账户-项目-决策-结果层层嵌套，随时间演化。而RAG和AI记忆将其扁平化为静态文本，丢失了结构、归属与时序。结果就是，AI能“找到相关内容”，却无法“理解组织现实”，在复杂任务中频频掉链子。
操作上下文层的技术蓝图
要真正构建操作上下文，需五大核心能力：
首先是身份解析实体化。将人、组织、地点、事件建模为唯一标识的规范实体，采用Schema.org等开放标准，确保“Sarah Chen”在所有系统中指向同一数据节点。
其次是多模态摄入。不仅要接入Slack、邮件、CRM，还需处理会议录音、代码库、项目管理工具等异构数据，并保留原始结构（如邮件头、Slack线程关系），而非粗暴转为纯文本。
第三是时序建模。记录每个实体和内容的状态变迁，支持“时间旅行”式查询——例如“2025年Q3 Acme账户的SLA条款是什么”。
第四是关系映射。自动提取并存储实体间关联：员工隶属部门、文档关联项目、决策涉及干系人等，使图谱具备推理基础。
最后是代理互操作性。通过MCP等标准协议开放上下文接口，确保任何AI代理（无论来自Cursor、Claude还是自研）都能无缝调用，避免厂商锁定。
此外，企业级部署必须支持私有化运行，满足数据合规要求。
Graphlit的实践路径：从上下文基建到决策图谱
Graphlit自2021年起专注打造操作上下文层。其架构借鉴现代媒体与传感器数据系统，强调保留内容的结构、来源与时序，而非简单文本嵌入。
目前已支持30+数据源的身份解析、实体抽取、关系映射和时序建模，使连接的AI代理能准确理解“谁拥有什么”“事物如何关联”“状态如何演变”。
2026年路线图进一步向决策上下文延伸：
一是以CRM为实体主干。实践中发现，Attio等新型CRM中的账户、联系人、商机等对象，天然构成组织知识的结构化骨架。以此为基础，Slack消息、邮件、文档等非结构化数据可精准挂载到对应实体，大幅提升图谱准确性。
二是构建代理记忆与决策日志。当代理通过Graphlit执行工作流时，系统不仅记录其访问的内容，更捕获其推理痕迹——聚合了哪些输入、合成了何种上下文、最终采取什么行动。
三是工作流埋点。正如Foundation Capital所言，捕获决策痕迹必须嵌入执行路径。Graphlit的MCP服务器已处于代理上下文检索环节，下一步将扩展至决策输出端，自动记录审批、例外、先例引用等关键事件。
决策痕迹需要行业标准，而非各自为政
当前LLM可观测性工具（如LangSmith、AgentOps）聚焦于技术指标：输入输出、延迟、工具调用、Token消耗。
这有助于调试，但离业务级决策痕迹相去甚远。后者需更高抽象：明确记录“依据v3.2政策”“援引2024年Q2 Acme特批先例”“经CFO张伟批准”等语义信息。若每家编排平台都用私有格式存储这类数据，跨系统查询先例将永无可能。
因此，亟需类似OpenTelemetry（可观测性标准）或Schema.org（实体标记标准）的开放规范。
Graphlit的前瞻性在于，其底层已采用Schema.org与JSON-LD建模实体，天然支持扩展至决策痕迹字段（如政策版本、例外类型、审批人、先例引用）。这种基于开放标准的架构，使其能快速适配未来行业共识，避免陷入数据孤岛。
为什么现在是关键时刻
三大趋势交汇，使操作上下文建设迫在眉睫：
其一，ChatGPT引爆企业对“懂业务AI”的刚需。通用模型无法替代对内部流程、客户历史、组织架构的深度理解，上下文层成为差异化关键。
其二，MCP协议确立代理互操作标准。企业只需构建一次上下文层，即可供所有兼容代理调用，大幅降低集成成本。
其三，各公司正大规模试水AI代理，却屡屡受阻于上下文缺失。单纯加强治理无法解决AI“看不懂组织”的根本问题。
操作上下文不是可选项，而是AI代理发挥价值的前提。谁率先建成这一基础设施，谁就掌握下一代企业智能的操作系统。
作者背景
本文核心观点源自Foundation Capital合伙人Jaya Gupta与Ashu Garg的研究报告，同时融合了Graphlit创始团队的工程实践。Graphlit是一家专注于企业AI上下文基础设施的初创公司，自2021年起致力于构建能解析多源异构数据、生成动态知识图谱的操作上下文层。其技术栈强调结构保留、时序建模与开放标准，旨在为AI代理提供理解组织运作所需的“常识”。团队背景横跨分布式系统、知识图谱与AI工程，对RAG等现有方案的局限性有深刻洞察。
极客一语道破
本文具有极高独特性：
首先，它精准切入当前企业AI落地的核心痛点——上下文缺失，超越泛泛而谈的“AI赋能”叙事，提出“操作上下文”与“决策上下文”双层框架，概念清晰且具工程指导性。
其次，深度结合Foundation Capital前沿报告与Graphlit一线实践，既有战略视野又有技术细节（如Schema.org、MCP、多模态摄入），信息密度远超同类分析。
第三，明确批判RAG/AI记忆的局限，指出组织知识本质是动态图谱而非静态文档，这一洞见在中文技术圈尚未普及。
文章结构：问题-分析-方案-案例递进，段落主题句突出。加之引用权威机构（Foundation Capital）与具体技术标准（OpenTelemetry、Schema.org），E-E-A-T（经验、专业性、权威性、可信度）信号强。有望成为“企业AI基础设施”“AI代理上下文”等细分领域的标杆解读。