2025 年 12 月硅谷风投论文引入“上下文图”，或成企业人工智能新突破！

2025 年 12 月硅谷风投论文引入“上下文图”，或成企业人工智能新突破！

上下文图能够捕捉关键业务决策背后的完整上下文、推理过程和因果关系，是一个极具潜力的概念。

2025 年 12 月，硅谷风投公司 Foundation Capital 发表了一篇题为《人工智能的万亿美元机遇》的论文，在企业人工智能行业引发了广泛关注。原因在于，该论文引入了“上下文图”这一全新概念。上下文图是一种知识图谱，旨在捕捉一种名为“决策轨迹”的新型人工智能范式，这一概念正逐渐展现出强大的潜力。

上下文图方法能够捕捉关键业务决策背后的完整上下文、推理过程和因果关系，具有很高的实用性。论文指出：“智能体不仅需要规则，还需要获取决策轨迹，这些轨迹能展示过去规则是如何应用的、哪些情况得到了例外处理、冲突是如何解决的、谁批准了什么，以及哪些先例真正适用于实际情况。”一些对该预测的评论也呼应了这一观点，指出最重要的知识来自于工作流程中围绕交易的决策数据。

我们认为这个想法很有价值。决策轨迹之所以至关重要，是因为它们揭示了决策实际制定背后的可观察推理过程。不过，就像如今企业人工智能领域的许多情况一样，新的突破似乎每隔几周就会出现。我们认为决策轨迹是解决人工智能决策挑战的新兴方案的一部分，而非万能钥匙。上下文图只有在能够存储企业知识并描绘所有组织数据之间的关联时才会发挥作用。

整体图景的一部分

这篇论文指出了一个我们之前未给予足够重视的层面，这一点很重要。但我们需要拓宽其定义，将实体、关系、来源、时间、权限、政策，以及重要决策的轨迹（但不仅限于此）都包含在内。将其与人类这一推理实体进行比较，有助于说明这一点。人类依赖不同类型的记忆：情景记忆记录决策是如何做出的以及发生了什么；语义记忆存储事实及其含义；程序记忆则管理技能和任务执行方式。决策轨迹主要属于情景记忆类别，但我们不能忽视其他类型的推理。语义层面（事实和模式）和程序层面（技能和操作原则）同样重要。例如，如果我们知道事实但不了解决策是如何做出的，就很难对未来决策进行推理；如果我们知道决策是如何做出的，但不了解背后的事实，就无法确保结论的正确性；如果我们不了解程序方面，即工作实际是如何完成的，就会错过人们依赖的操作原则。换句话说，成熟的人工智能需要这三种类型的推理。忽略其中任何一种，实际上就是让人工智能在该领域自由“编造”信息。人工智能会尝试用通用的世界知识来填补空白，而这可能与组织的实际情况不符。语义层面，即关于组织的具体、可数字化追踪的事实，可能是我们应该着手的地方。虽然有很多关于推理或决策的公开信息，但企业内部的业务事实是私密的。大型语言模型并未在这些数据上进行训练，企业也不希望它们这样做，因为那样其他人就可以获取这些信息了。没有这些数据，模型就只能凭空编造答案。

为何需要图谱

上下文图很可能成为可解释自主性的事实来源，但并非适用于所有情况。现实世界中的企业仍然依赖 ERP、CRM 和数据仓库等系统，这些系统需要继续作为交易、原始数据和记录的权威来源。上下文图所补充的元素包括哪些证据起了作用、哪些关系是相关的、应用了哪些政策、做出了哪些例外处理，以及为什么某个特定行动在特定时刻是可接受的。换句话说，上下文图是一种操作记忆，它补充了现有的企业系统，而非取代它们。

图谱在理解如何构建实用、复杂的企业人工智能结构方面变得越来越重要，因为企业上下文从根本上是基于各种关联的。有趣的问题不在于检索相似文本，而在于关系，比如谁批准了某件事、应用了什么政策、哪些系统受到了影响、事件发生前有哪些变化，以及客户如何与工单、合同和交易相关联。这些都是关于关系的问题，用简单的向量搜索很难处理。要记住，向量搜索只能找到相似文本，却无法捕捉关系的结构。而图谱能让你更有机会直接对这些关联进行建模和查询。

上下文图不会取代企业系统中的其他类型图谱，而是会与它们相互结合。上下文图位于现有系统之上，帮助人工智能知道从哪里获取信息，就像智能体的中央“蜂巢思维”。例如，如果银行提出一个会计问题，它可能会查询会计数据库；如果是一个欺诈问题，它可能会查询欺诈检测图谱。设计良好的上下文图就像一个连接一切的层，是一种“图谱的图谱”，能够引导查询。

GraphRAG 的定位

一个相关的问题是，以图谱形式实现的检索增强生成（RAG），即 GraphRAG，在新兴的上下文图生态系统中处于什么位置。GraphRAG 在提高从图谱中检索信息的效率方面非常有效，能让人工智能系统更有效地获取结构化知识，因此它是这个领域的重要组成部分。

更大的问题仍然存在。我们如何表示技能？如何管理程序知识？智能体如何随着时间发展能力？最初，我们会手动定义技能，但新兴的框架开始允许系统自动创建和评估技能，确保它们能提升性能而非降低性能。所有这些都需要统一起来。目前，市场发展和学习的速度极快，我们正在进行实验，探索完整的人工智能架构会是什么样子。我们给企业人工智能团队的建议是，尽可能吸收包括上下文图和决策轨迹在内的众多创新成果，但不要急于确定任何方案。这个领域的发展如此之快，说不定下周就会出现一个新的关键理念。对于开发者来说，这是多么美好的时代啊！