限制Agent生产力落地的瓶颈，正在从“模型推理能力”转向“企业上下文供给”。

近日，千问办公开源了全新的上下文基础设施“MyContext”，它可以把海量异构的个人上下文加工成Agent易理解的专属工作档案，让Agent真正读懂用户和真实业务工作流，并最终在决策和执行等环节实现人机协同，提升Agent在工作场景下的表现。该项目在 GitHub 上线一周即获得超 1k Star。

MyContext的开源与热度，折射出当前生成式 AI 落地过程中的一个关键转变：随着模型和Harness架构的演进，Agent已经在个人效率提升方面表现优异；但限制AI在真实工作场景中落地的瓶颈，正在从“大模型推理能力”转向“上下文供给”。

成为企业AI痛点的“上下文缺失”

过去一年，全球企业迎来了生成式AI部署的高峰期，随之而来的却是残酷的落地现实。

MIT在去年发布的NANDA报告显示，约95%的企业级生成式AI试点没有产生可衡量的收益。 造成这种“高热度与低回报”反差的根本原因，不在于大模型智商不够，而在于AI系统缺乏融入既有工作流的基础设施。

在真实办公场景中，缺乏上下文的通用Agent往往要面临信息空白、数据孤岛以及难以追溯的幻觉等种种问题。用户每次调用 AI，都不得不重复交代“我是谁”、“项目上周定了什么方案”，而真实的工作事实，其实早已散落在微信/钉钉群聊、会议纪要、飞书文档以及各类ERP软件中，只是缺乏有效提炼。

针对这一困境，企业服务商Impetus的首席增长官Deepak Khosla给出了一个直观的比喻：Agent就像一个刚入职的新员工，即使能力再强，如果不对其输入具体的业务规则、岗位职责与组织上下文，他也无法做出正确的业务决策。

为此，全球企业软件巨头已经集体调转方向。例如，Snowflake推出Horizon Context语义层，Impetus 提出“上下文工程交付生命周期（CEDL）”，Salesforce将Data 360演进为Agent上下文层，Palantir与Glean等公司也纷纷加速工程探索。“上下文工程”正在从Prompt级别的语言技巧，升维为对AI推理全流程数据喂养的系统性工程。

不同于海外对数据云或软件工程化框架的侧重，千问办公本次开源的MyContext采用了本地运行与动态工作档案提炼的技术路线，重点解决高熵业务数据的治理问题。在时序数据、矛盾数据等核心任务处理上，MyContext也采用了全新的算法与工程理念。

打造具备生产力价值的企业级Agent

观察海外技术路线可以发现，无论是Snowflake构建语义层，还是Impetus提出上下文生命周期，其本质都是数据基础设施向AI的延伸：通过知识图谱、本体层与SQL视图，在数据库层消除“定义歧义”，解决的是数据质量与模型Token效率问题。

另一边，国内以阿里为代表的尝试，则展现出更强的“应用驱动与全栈闭环”色彩。

以阿里为例，入口层，钉钉服务超2000万家企业组织、近8亿用户，构成天然的数据入口；应用层，千问办公可直接消费经高质量提炼的上下文，把个人层面的效率增益，转化为组织层面的生产力跃迁。

而在治理层，MyContext有望成为为Agent注入“灵魂”的关键底座。个人层面，MyContext能够高效处理钉钉、飞书等IM系统的上下文。企业层面，MyContext将在未来推出企业版基础设施，接入Salesforce、SAP等主流企业软件及本地工作流。

在实际应用中，当管理者发出“评估某份方案”的指令时，Agent若能基于上下文调取该岗位的历史考量与权责边界，AI才可能从简单的“单点工具”转变为能够承担特定岗位职责的辅助角色。

包括MyContext的开源在内，近日国内模型厂商在Agent基础设施层的一系列举动，标志着该赛道的竞争正式拉开帷幕。

从单点Prompt调优到构建企业级上下文底座，行业对于AI落地的认知正趋于理性。要让生成式AI真正转化为可衡量的生产力，模型层面的智商突破固然重要，但能否构建出安全且具备强时序特征的企业上下文，将成为决定Agent能否真正进入企业核心业务流的关键变量。