上下文图Context Graph把分散在系统、人和流程中的“决策原因”结构化，成为AI可解释、可复用的推理底座。真正赢家不是单一智能体，而是横向整合全公司上下文的平台。
谁将真正掌控“上下文图谱”这个万亿美元级机会？
上下文图谱是AI时代企业智能的核心，但垂直AI代理无法独占——真正的赢家将是能打通跨系统、跨工作流、让企业自主掌控上下文的通用平台。
Prukalpa Sankar是Atlan联合创始人兼首席产品官，长期深耕企业数据治理与AI基础设施领域。她曾主导构建现代数据目录与协作平台，深度参与“元数据即服务”理念的落地，并在多篇行业文章中提出“企业上下文层”“AI上下文鸿沟”等关键概念。她也是知名数据社区Metadata Weekly的主理人，持续追踪AI与数据融合的前沿趋势。
什么是“Context Graph”（上下文图谱）？
Context Graph（上下文图谱） 指的不是传统的数据仓库或知识图谱那样仅描述实体之间的关系，而是一种能够记录 “为什么某个决策会被做出” 的结构化知识层：
它把 决策的输入、逻辑、关联实体、环境上下文 都连接起来，形成一张决策语义图。
上下文图谱让 AI 不只是“知道结果是什么”，还能理解“为什么会这样”。
为什么有人认为这是万亿美元机会？
传统系统（比如 CRM、ERP、数据仓库等）只记录发生了什么，但不会捕获为什么发生。
比如：
* 为什么给某客户 20% 折扣？
* 是谁批准的？
* 有什么例外规则？
* 哪些历史决策支持这个决定？
这些“决策痕迹（decision traces）”传统上散落在 Slack、邮件、审批记录、操作日志里，很难让 AI 使用。
Context Graph 的价值在于：
✔ 它让 AI 在做决策时理解历史逻辑和原因
✔ 能让 AI 具有可解释性、更少错误、更少胡乱推断
✔ 能把隐性的企业知识结构化成为可重用资产
因此，很多投资者和技术人认为它是AI 时代最核心的基础设施机会之一——价值可能达到“万亿美元级别”。 ([Foundation Capital][3])
当整个AI圈都在高呼“上下文图谱是下一个万亿美元机会”时，几乎所有人都默认：谁离决策最近，谁就拥有上下文。于是，销售AI代理公司说他们掌握续约逻辑，客服AI代理公司说他们理解升级路径——每个垂直领域的AI创业公司都坚信自己能靠“执行路径中的决策痕迹”构建专属上下文图谱，并以此垄断价值。
但现实狠狠打了这种乐观预期一记耳光。企业不是实验室里的理想流程，而是一团由数百个异构系统交织而成的乱麻。一个看似简单的“是否给客户20%折扣”的续约决策，背后可能牵涉六个甚至更多系统的上下文：Salesforce里的客户合同、Zendesk里的投诉记录、PagerDuty里的故障历史、Slack里VP三个月前随口批准的例外、Snowflake里的产品使用数据，还有语义层里对“健康客户”的明确定义。
问题来了：今天这家企业用的是Salesforce+Zendesk+Snowflake，明天那家可能用HubSpot+Intercom+Databricks，再换一家干脆上了自研CRM+ServiceNow+BigQuery。没有哪家垂直AI代理能预装50到100个系统连接器，更别说每家客户的组合都独一无二。结果就是：每个AI代理只能看到自己那一小片上下文，彼此之间信息割裂，形成新的“上下文孤岛”。
这根本不是技术能力问题，而是企业现实的必然结果——异构性正在从数据层向上迁移至上下文层。过去十年，我们解决了“数据存在哪里”的问题，靠的是Iceberg、Delta Lake这类开放表格式，让存储解耦、计算可移植。但如今，AI应用爆发式增长，成百上千个Copilot和Agent各自带着私有上下文窗口运行，反而制造了更隐蔽、更危险的碎片化：语义不一致、决策不可追溯、信任难以建立。
真正致命的盲点在于，大多数人把“上下文”当成单一概念，却忽略了它其实分两类：操作型上下文和分析型上下文。前者藏在企业日常运作的肌理中——比如“密码重置必须验证两步认证”“法务审核NDA需48小时内完成”“期权归属问题统一由HRBP解答”。这些是组织的“肌肉记忆”，是未经文档化的制度智慧，往往散落在工单、聊天记录、审批日志里。
后者则是传统语义层的进化版，负责定义“收入怎么算”“获客成本如何归因”“客户健康分由哪些指标构成”。它教AI如何推理，而不只是识别字段含义。一个完整的续约决策，既需要操作型上下文（“我们允许最高25%折扣，但需VP特批”），也需要分析型上下文（“该客户健康分低于60，属高风险”）。
垂直AI代理能看到前者——它们就在执行这条规则；但看不到后者——因为分析型上下文通常由数据团队在dbt或Looker里维护，存放在数据仓库之上。反过来，数据仓库知道指标怎么算，却不知道这些指标如何被用于实际业务判断。上下文图谱若只捕捉决策瞬间的痕迹，就永远拼不出全貌。
于是，真正的挑战浮出水面：上下文的价值不在于“捕获”，而在于“协同进化”。
单个AI智能体可以优化自己的小闭环，但企业需要的是跨部门、跨系统、跨时间的上下文一致性。比如销售代理学到的新折扣策略，应该自动反馈给财务代理的预算模型；客服代理识别的高频问题，应触发产品团队的改进优先级。这种跨域知识流动，才是上下文图谱的复利所在。
而实现这一点的关键，是反馈飞轮。
当上下文准确，AI决策更可靠；决策可靠，用户更愿意采用；采用越多，系统收集到的修正信号越丰富；信号越丰富，上下文就越精准。这个循环一旦启动，就会自我强化。但垂直代理的飞轮仅限于自身工作流，无法惠及全局。只有平台级的上下文层，才能让一次交互的收益辐射到所有AI应用。
试想：某次续约谈判中，人类否决了AI建议的折扣幅度，并附上理由。这个反馈如果只留在销售代理内部，下次客服代理遇到类似客户仍会犯错。但如果通过统一上下文平台，这个“例外即先例”的案例被提炼为新规则，并同步更新“客户风险-折扣弹性”关系模型，那么所有相关AI都能受益。
任何 单一垂直智能体难以集成所有来源的上下文！
最可能抓住机会的，是能横向连接 整家公司所有来源的“集成平台” 而不是某个单一应用！
更重要的是，企业绝不会把最核心的“决策DNA”交给十几家外部AI公司分别保管。上下文图谱本质上是企业智力资产的数字化结晶——那些“为什么这么做”的隐性知识，比原始数据更值钱。过去，企业吃过亏：把数据和计算全交给云数仓厂商，结果发现自己的运营逻辑成了对方的议价筹码。如今有了Iceberg教训，没人再愿重蹈覆辙。
因此，未来的上下文平台必须满足三个条件：客户自主拥有、开放联邦架构、支持任意AI读取。这意味着上下文不应锁在某个SaaS应用里，而应像数据湖一样，以开放格式存储，由企业自己治理。任何AI代理——无论是内部开发还是第三方采购——只需接入这个上下文层，就能获得一致、可信、实时的背景信息。
这直接决定了胜负手：谁能率先构建这样的平台？答案指向那些早已深耕企业数据生态的公司。它们已连接Snowflake、Databricks、BigQuery、Salesforce、dbt、Looker等主流系统，掌握了数据血缘与实体关系图谱。它们不需要从零开始做集成，而是把现有连接能力向上延伸至上下文层——从“知道数据在哪”升级为“知道数据意味着什么、如何被使用”。
两种 Context 类型
Context 并不是单一概念，上下文异构性包括：
1) Operational Context（操作型上下文）
如企业 SOP、特例规则、审批逻辑等→ 因为这些是流程和逻辑本身，很难被垂直智能体自动捕获。
2) Analytical Context（分析型上下文）
如统一指标定义、语义层、元数据概念→ 这是 semantic layer 的作用，但它被 AI 理解和重用仍然是一个挑战。
真正有价值的 Context Graph 必须能融合 操作 + 分析两类上下文。
具体来看，一个合格的通用上下文平台必须具备六大能力：
第一，跨系统连接能力。不是简单API对接，而是深度理解各系统语义。比如从Slack消息中提取“VP口头批准”，并关联到Salesforce的deal record；从Zendesk工单识别“重复投诉模式”，映射到客户健康评分模型。
第二，操作型上下文合成。通过分析日志、聊天、审批流等非结构化数据，自动提炼标准操作流程（SOP）和例外规则。例如，发现“当客户连续三次投诉延迟交付且CSAT<3，自动触发高层介入”这一隐性规则。
第三，分析型上下文管理。提供可视化界面，让业务用户定义和修订指标逻辑，同时确保这些定义能被AI正确解析。比如“活跃用户”在营销场景指DAU，在产品场景指功能使用频次，平台需支持多维语义。
第四，推理时上下文投递。在AI做决策的毫秒级窗口内，动态组装所需上下文片段。不是把全部上下文塞进提示词，而是按需检索、精炼、注入，兼顾准确性与性能。
第五，规模化反馈闭环。设计机制让人类干预、AI误判、业务结果等信号自动回流，驱动上下文持续优化。例如，当AI建议被多次覆盖，系统应自动标记该规则需人工复核。
第六，治理与信任机制。提供版本控制、影响分析、权限隔离等功能，确保所有AI基于同一“事实版本”运作。当上下文变更时，能追溯哪些决策会受影响，避免连锁错误。
把这些能力串起来，就形成了与垂直代理完全不同的战略路径：不做单点智能，而建协同基座。
垂直代理追求在特定场景做到极致，但通用平台追求让所有场景变得更好。前者是应用思维，后者是平台思维。在高度异构的企业环境中，整合者永远比专精者更具长期优势。
这也解释了为何Metadata Weekly发起“The Great Data Debate”论坛，邀请Foundation Capital的Jaya Gupta、微软的Karthik Ravindran、Snowflake前CEO Bob Muglia、Glean的Tony Gentilcore等重量级人物共同探讨——因为这个问题的答案，将决定未来十年AI基础设施的格局。
最终，上下文图谱的万亿美元机会，不属于那些只盯着自己一亩三分地的AI代理，而属于那个敢于直面企业混乱现实、用开放架构缝合碎片、让组织真正掌控自身智能资产的平台建造者。在这个意义上，胜利属于整合者，而非执行者；属于平台，而非应用；属于企业自己，而非任何外部供应商。
结论与走向
Context 图谱不是单纯的数据图谱；它是解释“为什么”的结构化知识层。
这个结构能让 AI 理解历史决策、因果逻辑，更好地在复杂企业环境中推理和决策。
因此，它有可能成为未来 AI 垂直行业、 企业级智能的基础设施。
但真正能抓住这个“万亿机会”的，是能跨系统、跨流程、融合操作和分析上下文的平台。
简而言之：
数据定义了现实（回归基础知识：数据库就是讲故事 ）
Context 解释了原因
能解释原因的平台，才有可能赢得未来 AI 生态中的核心价值
标题：上下文图谱万亿风口，垂直AI代理注定出局？
摘要：上下文图谱是AI时代企业智能核心，但垂直AI代理无法独占——真正的赢家将是能打通跨系统、跨工作流、让企业自主掌控上下文的通用平台。
作者背景：Prukalpa Sankar是Atlan联合创始人兼首席产品官，长期深耕企业数据治理与AI基础设施领域，主导构建现代数据目录与协作平台，提出“企业上下文层”“AI上下文鸿沟”等关键概念，也是知名数据社区Metadata Weekly主理人。
URL Slug：context graphs are a trillion dollar opportunity but who actually captures it
极客一语道破
本文具有极高的思想原创性与行业前瞻性。其核心贡献在于系统性拆解了当前“上下文图谱”热潮中的认知误区，首次明确提出“上下文异构性”概念，并区分操作型与分析型上下文的双重结构，进而论证通用上下文平台相较于垂直AI代理的战略优势。这种从企业现实复杂性出发的批判性视角，在当前普遍乐观鼓吹垂直AI的舆论环境中尤为稀缺。
内容深度结合真实客户反馈（如“1000+ Databricks Genie房间无法治理”）、技术架构演进（Iceberg开放格式的影响）、商业模式反思（企业不愿交出决策DNA）等多维度证据，逻辑严密，论据扎实，远超一般行业评论的泛泛而谈。
涉及领域“上下文图谱”“AI 企业应用”“数据治理 AI”“语义层”“决策可追溯”“AI 代理 架构”等，加之引用多位行业领袖观点并预告高端论坛，进一步提升权威背书。