企业 Agent 为什么需要共享业务上下文?

数据库字段名和文档片段通常不足以解释一个业务问题。例如,“销售额”可能指含税收入、净收入或已回款金额;同一个词在财务与销售团队也可能有不同口径。AI 上下文层把这些定义及适用条件显式记录下来,供多个应用或智能体复用,减少每次对话中重新猜测业务含义的情况。

上下文层如何组织并提供信息?

上下文层通常先关联数据表、文档、术语表等来源,再维护指标、维度、实体关系、业务规则、来源和责任人等信息。用户提出问题时,系统根据问题、用户身份与当前任务,选取相关定义和知识;查询或工具调用仍需经过权限校验。返回结果时,可以同时给出所用口径、数据来源和必要的解释。具体实现可以采用语义模型、元数据目录、知识图谱、检索系统和受控接口的组合,并无唯一固定架构。

假设用户问“华东区上季度净销售额是多少”。上下文层需要帮助智能体确认“净销售额”的计算规则、“华东区”的区域范围、上季度的时间边界,以及用户有权查看的数据。随后,查询引擎执行计算,智能体再根据定义和来源解释数字。镜舟的 MIP 产品页展示了一个把语义召回、查询校验与结果依据串起来的问数流程。

上下文层与语义层、RAG 如何分工?

语义层主要定义指标、维度、实体关联和计算规则,是分析场景中上下文层的重要组成部分。上下文层还可能纳入文档知识、数据血缘、权限、任务状态与历史反馈,使智能体知道该使用哪项定义、为何使用,以及能否使用。

RAG(检索增强生成)是一种在生成回答前检索外部信息的方法,可以为上下文层提供文档证据。检索到一段文字并不自动保证口径正确、来源有效或访问合规;这些还需要定义管理、权限控制和验证机制。上下文层也不等于更长的提示词或模型的上下文窗口:前者管理信息的含义、选择与使用边界,后两者分别是输入文本和模型可处理输入的容量。

常见问题

企业已经有知识库,还需要 AI 上下文层吗?

取决于任务。如果只需查找文档,知识库加检索可能已足够;如果智能体还要按统一指标口径查询数据、处理权限,并解释结果的依据,就需要把知识与语义、数据关系和治理规则连接起来。

上下文层能保证回答正确吗?

不能。它能减少口径不一致和无依据推断,但结果仍受源数据质量、定义更新、检索效果、查询执行和模型行为影响,需要持续评估与人工复核。

AI 上下文层必须使用知识图谱吗?

不一定。知识图谱适合表达复杂实体关系;对于较简单的场景,语义模型、元数据目录、文档检索与受控接口也可以共同提供所需上下文。应根据业务问题和治理要求选择实现方式。