揭秘上下文图谱：捕获AI决策痕迹，构建下一代企业智能基础设施

今天分享一个颇具洞察的AI技术趋势，其核心观点来自一篇题为《AI的万亿美元机遇：上下文图谱（Context graphs）》的文章。

这篇文章的核心论点是：谁能在智能体（Agent）执行动作的瞬间，将“为什么这么做”的决策痕迹捕获下来，并连接成一张可搜索的知识图谱，谁就可能构建AI时代的新一代记录系统，从而把握住一个万亿美元级别的市场机会。

核心洞察：从数据到决策痕迹

1. 下一代万亿美元机会不在“数据”本身，而在“决策痕迹”
   现有的企业系统（如CRM/ERP）主要记录“当前状态”，却丢失了“当时为什么做出这个决定”的上下文。AI智能体要实现真正的自主决策，必须能够查询那些以往只存在于Slack、邮件或人脑中的“决策痕迹”，包括例外情况、历史先例、审批链条等。

2. “上下文图谱” = 将决策痕迹转化为可搜索、可复用的资产
   解决方案是在智能体的编排层，将每一次决策的完整过程——“输入信息、应用规则、触发例外、获得审批、产生输出”——作为一个快照持久化下来。这些快照相互关联，最终形成一张跨越不同系统、带有清晰时间线的知识图谱。随着时间推移，这张图谱的价值会不断累积，成为企业新的“真相来源”。

3. 传统巨头难以补足这一层

   • 运营型巨头（如Salesforce）：其系统设计天生用于存储“结果”，而非“决策过程”。
   • 数据仓库巨头（如Snowflake）：主要在“事后”读取和整合数据，无法在“决策发生时”实时写入决策痕迹。
     试图事后补录这些痕迹是徒劳的，因为关键的决策上下文已经丢失，现场无法还原。

4. 创业公司的三种切入路径
   ① 直接重做记录系统，打造AI原生的CRM/ERP。
   ② 切入一个高频发生“例外”处理的模块（如财务对账、交易审批），先成为该模块的专用“决策系统”，再反向同步至其他系统。
   ③ 构建跨系统的智能体编排层，从第一天起就将“决策痕迹”作为核心数据存储下来，最终演进为新的“决策记录系统”。

规则与决策痕迹：智能体自主性的关键

规则告诉智能体“在一般情况下应该发生什么”（例如：“报告收入请使用官方ARR定义”）。

决策痕迹则记录了“在这个特定情况下实际发生了什么”（例如：“我们在政策v3.2下使用了X定义，经过副总裁例外批准，基于先例Z，这是我们改变的内容”）。

AI智能体不仅需要规则，更需要访问过去的决策痕迹：看看规则是如何被应用的，哪里授予了例外，冲突如何解决，谁批准了什么，以及哪些先例实际上管理者现实世界的运作。

这就是专注于智能体系统的创业公司所具有的结构性优势：它们位于执行路径之中。它们在决策发生的时刻，能够看到完整的上下文：收集了哪些跨系统输入，评估了什么政策，调用了什么例外路径，谁给予了批准，写入了什么状态。如果将这些痕迹持久化保存，你就能得到当今大多数企业都缺失的东西：一个可查询的决策记录。

我们称这些不断积累的痕迹所形成的结构为上下文图谱：它不是“模型的思维链”，而是一个跨实体、跨时间缝合起来的决策痕迹的动态记录，使得历史先例变得可搜索。随着时间的推移，这个上下文图谱将成为自主智能体真正的真相来源——因为它不仅解释了“发生了什么”，还解释了“为什么它被允许发生”。

核心问题并非现有记录系统是否会存活，而在于是否会出现一个全新的记录系统——一个记录“决策”而非“对象”的系统——以及它是否会成为下一个万亿美元的平台。

上下文图谱作为新型持久层

当创业公司构建智能体编排层，并在每次运行时记录决策痕迹时，它们就拥有了当今企业几乎从未拥有过的东西：一个结构化的、可重演的、关于“上下文如何转化为行动”的历史。

这在实践中是什么样子的？
假设一个续订智能体提议给予客户20%的折扣。公司政策通常将续订折扣限制在10%，除非涉及“服务影响”的例外情况并获得批准。智能体会从PagerDuty提取三个SEV-1事件记录，从Zendesk提取一个“除非问题修复否则取消服务”的升级工单，同时查询到上个季度副总裁曾批准过一个类似例外的续订线程。基于这些上下文，它将例外申请路由给财务部门审批。财务批准后，CRM系统最终只记录了一个简单的事实：“给予20%折扣。”

一旦你拥有了决策记录，“为什么”就变成了一等公民数据。随着时间的推移，这些记录自然形成一个上下文图谱：企业关心的各种实体（账户、续订、票据、事件、政策、审批者、智能体运行实例）通过决策事件（关键时刻）和解释“为什么”的链接连接在一起。公司现在可以审计和调试AI的自主决策过程，并将例外情况转化为可复用的先例，而不是每个季度都在Slack里重新学习相同的边缘案例。

反馈循环是让这一切产生复合效应的关键。捕获的决策痕迹成为可搜索的先例库。每一次自动化决策都为图谱增添一个新的痕迹。

这个过程在第一天并不需要完全自主。它可以始于“人在循环”模式：智能体提出建议、收集上下文、路由审批并记录痕迹。随着时间推移，类似案例不断重复出现，更多的决策路径可以实现自动化，因为系统拥有一个结构化的、包含先前决策和例外的知识库。即使最终决定仍由人类做出，图谱也在持续增长，因为工作流层捕获了输入、审批和理由，并将其作为持久化的先例保存下来，而不是任其消失在Slack的聊天记录中。

原文核心观点来源：https://foundationcapital.com/context-graphs-ais-trillion-dollar-opportunity/

对构建下一代AI基础设施、上下文图谱与智能体编排等技术话题感兴趣？欢迎在云栈社区与更多开发者交流探讨。