特赞GEA架构：基于上下文系统的企业级Agent如何驱动业务成果

不知道你是不是也有过类似的经历？听说GPT的Sora可能关停，我就手忙脚乱地想把之前生成的所有视频、图片和提示语，一股脑儿搬到本地的知识库里做个备份。不然，几个月后服务真停了，这些心血就全没了。

但这一搬，问题就来了。这些素材几乎都是孤岛，彼此之间没有信息链接，管理起来异常头疼。我甚至都快忘了，当初生成某个惊艳片段，用的到底是哪个版本的“咒语”。

看着这一堆混乱的文件，我突然意识到，我正淹没在一片由我自己创造出来，却又毫无关联的“产出物”（Output）海洋里。我拥有了大量的Output，但它们没什么大用。我真正需要的，是能够形成知识体系、能够被复用和迭代的“业务成果”（Outcome）。

最近，我有机会内测了特赞团队正在构建的一套企业智能体架构，他们称之为GEA（Generative Enterprise Agent）。这次体验，让我清晰地看到了从Output到Outcome的跨越是如何实现的。

从混乱素材到可调用的上下文

他们的做法，不是简单地把我的所有AI输出“剪藏”到一个地方存起来。而是把这些分散的数据，组织成了一个可以持续调用的上下文系统（Context System）。

简单来说，每次Agent开始工作、需要读取上下文时，背后会有一个“编排层”在驱动。这个编排层由他们的发散推理模型（Creative Reasoning Model）驱动，它会根据每次对话的具体目标，来准备当前最相关的上下文，甚至判断是否需要改变任务方向。

在这样的架构下，Agent就变成了在一个系统里持续工作的“员工”，而不再是一个一次性被调用、用完即走的“工具”。

🔗 atypica.ai —— 一个典型的洞察研究GEA

🔗 musedam.ai —— 这一体系的企业上下文系统入口，为Agent提供可调用的语境基础。

一次实战：从“我想做”到“我得到”

我的需求很简单：作为一个内容创作者，我想试试开拓海外内容平台，该怎么做？

在过去，这通常意味着我需要让AI帮我生成一份市场分析报告、一张竞品调研表格、或者一份内容策略文档。我会得到一堆Output，然后自己再花时间去消化、理解、串联，最终形成一个可执行的计划。

但当我直接把这个想法告诉那个洞察研究GEA后，它的反应完全不同。它完全没有立刻给我那些中间产物。

它先是像一个资深的商业顾问，反过来问我问题，深入了解我的账号定位、内容风格和资源情况。然后，它告诉我，要达成这个目标，最好的方式是先进行一系列一对一的深度访谈。紧接着，它自己就通过AI配置了八个不同的人格（AI Persona）。

这些人格包括：成功出海的创作者、精通海外平台的运营专家、跨文化内容本地化专家、商业化顾问，几乎覆盖了从消费到创作、从运营到变现的所有相关视角。

然后，它就开始自己访谈自己了。

我完全成了一个旁观者，看着它和这些虚拟专家进行了一场场高质量的深度对话。最终，它直接给到我手里的，是一份整合了所有角色观点、可直接落地执行的完整出海策略。这就是我想要的Outcome。

我点进其中一份访谈实录，详细程度让我有点惊讶。其中一个角色叫Marcus，设定是一个30岁、住在伦敦的YouTube博主。

当AI问他“对于新账号，应该先追求垂直领域的深度，还是先尝试多个方向来测试市场反应”时，Marcus的回答逻辑清晰，充满了真实的行业细节和实战思考。

最关键的一点来了：这些AI人格，比如Marcus，在这次研究任务结束后，会被系统保留下来。他们成为了这个项目的“常驻顾问”，并自动变成了该项目上下文资产的一部分。

这意味着，等我真的开始运营YouTube频道时，我可以随时回来，把新做的视频内容再拿给Marcus看，让他提建议。而他，拥有我们之间所有的对话记忆和项目上下文。这种持续性，正是普通AI工具无法提供的价值。

核心：四层架构与上下文驱动

所以，实现从Output到Outcome跨越的关键，就在于上下文（Context）。我那些混乱的视频和图片，缺的就是能将它们串联、赋予意义的上下文。而特赞用一套四层架构，打造了一个以Context System为核心的企业级Agent系统。

1. 意图层（Intent）：最顶层是用户发出的目标，比如“我想开拓海外内容平台”。
2. 编排层（Orchestration）：这是系统的大脑，由发散推理模型驱动。它负责将大目标拆解成多条可能的执行路径，评估最优解，并将具体的子任务分派给合适的模型和工具。它知道应该先做市场调研，还是先做用户访谈。
3. 智能体与技能层（Proactive Agent & Skills）：这是GEA的“手”和“脚”。包含各种主动型智能体，它们能调用数百个技能模块（如内容生成、数据分析API），去完成具体任务。
4. 上下文系统层（Context System）：这是整个架构的基石。它像一个“第二大脑”，持久化存储着品牌、产品、项目、案例、用户画像等所有结构化与非结构化信息，为上层Agent的协作提供统一的语境。
5. 基座模型层（Foundational Multi-Models）：最底层是提供各种能力的基础模型池，可根据任务需求灵活调用最擅长的模型。

这个架构的设计目标非常纯粹：就是为了交付最终的、可用的Outcome。因此，GEA的出现，几乎是一个必然。它就是从“上下文”这片土壤里，自然生长出来的解决方案。

回到起点：构建我的创作知识库

写到这里，我又想起了那个混乱的Sora素材文件夹。如果有了GEA这样的系统，我就可以直接告诉它：“我的意图是建立一个关于Sora视频创作的个人知识库。”

它会自动将我所有的视频、图片和提示词进行关联分析，识别风格，打上标签，建立联系。它甚至能主动建议我：“基于你现有的这段城市景观素材，结合某个流行趋势，可以尝试创作某某风格的新内容。”

这样的Agent，不急于交付更多的、孤立的“零件”（Output），而是直接帮你思考、帮你执行、帮你把那个如同神探夏洛克记忆宫殿般的知识体系，用AI的方式，一砖一瓦地构建起来。

技术正在从提供工具，转向构建可持续演进的数字能力。关于企业如何系统化地应用AI，你可以在 云栈社区 找到更多深度讨论和实践案例。