博客
公司 2026年8月29日 10 分钟阅读 原创

企业 Context 重构：AI 原生转型的基础工程

AI 原生不只是给旧流程增加 AI，而是重构企业信息流，让 Agent 在每一次决策前获得正确的 Context，并把行动结果带回下一轮判断。

J

Jonathan

创始人

企业需要 AI，是因为大模型正在把语言理解、知识处理和部分专业判断转化为通用的软件能力。但通用能力进入具体企业时，首先面对的并不是模型选型，而是 Context 问题：模型如何知道当前目标、业务事实、执行状态和行动边界？

很多公司正在做 AI 转型，实际动作却仍然是给旧流程增加入口：员工使用聊天助手，文档系统增加问答按钮，客服后台接入自动回复，工程团队部署 Coding Agent。

这些工具当然有价值，但这还不能称为 AI 原生。模型虽然进入了现有流程，但企业生产、传递和沉淀信息的方式并没有改变。

真正的 AI 原生转型，首先不是更换模型，也不是部署更多 Agent，而是重构 Context。公司要重新考虑如何记录事实、保存判断、呈现当前状态，让正确的信息在正确的时间进入模型，再让行动结果成为下一次决策的依据。

AI 原生，不是把 AI 接入原有流程，而是重构公司的信息流，让模型在每一步都能获得有效的 Context。

通用模型能力会普及，企业 Context 不会自动形成

基础模型的能力会持续增强，也会越来越容易获得。一家公司可以调用 OpenAI、Anthropic 或其他厂商的模型，竞争对手也可以使用相同的 API。仅仅能够调用某个模型，并不能形成长期竞争优势。

真正拉开差距的，是企业能否把自身的专有知识、实时状态和业务规则，转化为模型可以直接使用的 Context。

它是否知道客户为什么流失，销售为什么丢单，产品团队为什么放弃过某条路线，某个看似奇怪的架构约束来自哪次事故，当前季度究竟优先增长还是稳定，哪些动作需要审批，什么证据才算任务完成？

这些信息通常已经存在，只是散落在 CRM、Slack、会议录音、支持工单、产品日志、代码仓库、个人笔记和人的记忆里。人可以依靠关系、经验和反复沟通把它们临时拼起来，模型却只能使用当前能够访问的部分。

OpenAI 的 Harness Engineering 实验给出了一个很直接的判断：Agent 只能依据当前 Context，以及通过工具取得的信息作出判断；无法被访问的信息，不会对它的决策产生作用。团队因此不断把设计原则、工程规则、计划和运行状态转成 Agent 可以发现、检查和验证的工作记录（artifact），并保存在代码仓库中。

这意味着，AI 原生企业需要建设的并非单一的数据存储，而是一层面向 Agent 的 Context 基础设施。它既连接文档、业务规则和决策记录等相对稳定的知识，也持续接收客户行为、交易状态和系统事件等动态信号；再依据任务目标、权限边界与时效要求，生成来源可追溯、内容可验证，并可供当前决策直接使用的 Context。

企业数据需要围绕任务重新整理，才能转化为 Context

拥有数据不等于拥有 Context。

一万条支持工单是一批记录，不是产品判断；一整年的销售通话是一批录音，不是丢单原因；几十份战略文档是一组文件，不是当前优先级。把它们全部检索出来放进上下文窗口，也不会自动得到更好的答案。

Data 描述系统拥有的信息，Context 描述模型为完成当前决策实际获得的信息。两者之间还要经过一段转换：

Data
→ 结构化事实与状态
→ 按任务检索、筛选、排序和压缩
→ 当前决策所需的 Context

Anthropic 对 Context Engineering 的定义正是从不断变化的潜在信息中，持续整理出应该进入有限 Context Window 的内容。它给出的原则不是尽量填满窗口，而是选出最小且信号密度最高的一组 token，让模型更有可能作出符合当前任务目标的判断和行动。

因此，Context 的价值不能用数量衡量。更实用的判断是：它是否与当前任务相关，来源是否可信，内容是否仍然有效，表达形式是否可以直接支持行动。

一份两年前的完整产品手册，可能不如三条当前约束有用；一小时工具日志，可能不如一个失败原因和一个资源 ID 有用；十份会议纪要，可能不如一条写清理由的决策记录有用。

AI 原生公司要优化的不是信息总量，而是从企业信息中生成有效 Context 的效率。

Context Runtime 提供当前任务的动态视图

知识库主要解决知识的存储与检索；Context Runtime 则根据当前任务、执行状态和权限边界，决定哪些信息应当进入下一次模型调用。

同一个客户退款任务，在不同步骤需要的 Context 不同。开始时需要订单、客户身份和退款政策；准备执行时需要可用工具、权限范围和金额限制；执行后需要 API 返回值、数据库状态和失败处理方式。把全部公司资料一次交给模型，既浪费 token，也会削弱真正重要的信息。

它要结合任务目标、当前状态、权限和历史记录，动态生成每一步的 Context。Agent 采取行动以后，外部状态发生变化，Harness 再根据新状态编排下一轮 Context：

Contextₜ → Decision → Action → Evidence → Contextₜ₊₁

这也是 Context Engineering 与 Harness Engineering 的连接点。Context 让模型感知当前世界；Harness 负责调用模型、执行工具、保存状态、应用权限、检查结果，并将新的证据送回下一轮推理。

换句话说，Context 是 Harness 的认知内核，Loop 是 Harness 的运行内核。缺少前者，模型会在错误或残缺的信息上推理；缺少后者，模型即使判断正确，也无法稳定地把判断变成真实结果。

Context 基础设施会改变企业内部的信息流动方式

当 Context 成为基础设施，很多传统的管理与协作习惯会暴露出问题。

关键决定如果只存在于私聊里，Agent 无法发现；产品原则如果只存在于创始人脑中，Agent 无法复用；会议纪要如果没有结论、责任人和下一步，就很难成为工作状态；团队每周手动汇总一次业务进展，说明系统本身没有可查询的当前状态。

以一次企业客户续约为例，判断客户是否会流失，往往需要同时看到 CRM 里的合同状态、支持系统里的升级工单、产品日志里的使用下降、销售通话里的异议，以及产品团队尚未交付的承诺。传统企业依靠客户经理分别询问几个团队，再人工整理判断。AI 原生的做法不是让 Agent 搜索五个系统后自由总结，而是预先定义哪些事实可信、如何关联同一个客户、什么变化代表风险、哪些动作需要审批，以及续约结果如何写回下一次判断。

这时，改变的已经不是某个工具，而是信息在公司内部流动的方式。因此，AI 原生转型不是把所有信息集中进一个巨型知识库，而是重新设计企业的信息结构：

  • 重要工作留下结构化、可追溯的记录；
  • 决策同时记录结果与理由；
  • 文档、规则与代码或业务状态一起更新；
  • 全局原则与局部知识分层保存，按需加载；
  • 工具输出保留证据、标识符和可继续执行的状态；
  • 权限决定哪些 Context 可以进入哪一个 Agent；
  • 任务结果通过 eval、测试和业务指标回到反馈循环。

这样做改变的不只是 Agent。新员工也更容易理解公司，跨团队协作减少反复转述，管理者不必靠多层汇报才能获得状态，决策的来龙去脉也不再依赖某个人是否还在团队。

过去，企业依靠人反复转述 Context。未来，人的工作会更多转向生产高质量 Context：定义目标，说明取舍，划定边界，判断证据，并决定哪些经验值得沉淀成下一次可以复用的规则。

Context Engineering 优化的是信号质量，而不是信息数量

如果把方向概括成“让大模型获得更多 Context”，团队很容易走向三个误区。

第一，把连接数据源当成任务完成。连接 Slack、Notion、CRM 和数据库，只解决了访问问题，没有解决相关性、可信度和权限问题。

第二，把长窗口当成记忆。窗口再长也只是有限的工作记忆。长任务仍然需要持久状态、结构化笔记、工作记录、压缩和跨 session 交接。Anthropic 的长任务实验也表明，仅靠 compaction 不足以维持多轮工作的连贯性。

第三，把生成总结当成闭环。周报、洞察和建议如果没有进入 backlog、CRM、审批、测试或下一轮计划，就只是新的信息库存。

因此，更准确的目标应该是：

在每一次决策前，提供最小、最相关、最可信、最可执行的 Context；在每一次行动后，把结果转成下一次决策可以使用的证据。

这也给出了衡量 Context 系统的方式。不要只看接入了多少数据源、索引了多少文档，更应该观察四类结果：Agent 平均需要人工补充几次背景；关键事实是否有可信来源；任务中断后能否恢复；有多少输出带着证据进入了真实工作流。

Context 的长期价值来自企业的持续学习循环

模型会变强，Context Window 会变长，检索技术会继续进步。这不会降低 Context 的重要性，反而会让企业之间的差距更明显。

更强的模型可以处理更复杂的状态，却无法替公司决定哪些事实可信、哪些规则仍然有效、什么结果值得追求。它也无法自动获得那些没有被记录、没有权限访问或无法在工作中发现的隐性知识。

公司的专有数据只有转化为 Context，并进入“判断—行动—验证—更新”的循环，才会成为真正的资产。每一次客户交流、产品交付、销售失败和运营事故，都应该让下一次 Agent 运行获得更好的起点。

这才是 AI 原生与“使用 AI”的根本区别。使用 AI，是让模型帮助完成一个任务。AI 原生，则是重构公司的工作方式，使企业能够持续为模型提供有效 Context，再让模型的行动反过来改善企业 Context。

Model 提供通用智能，Data 是企业的原材料，Context 把两者连接起来，Harness 让这种连接持续产生可靠行动。

相关阅读

参考来源

ai-native context-engineering harness org-design agents

继续阅读

全部文章

公司

模型不是终点：从产业三阶段看 Agent 与组织变革

研究

生产级 Agent 的评估与监控