WTF Is the Context Layer? The Missing Infrastructure for Production Agents — Prukalpa Sankar
三句話摘要
AI 時代的競爭優勢不在模型智能，而在於建立企業級的「情境層」，讓 AI 系統能理解和運用業務知識。 情境層是將企業的隱性知識、決策規範與文化轉化為機器可用資產的系統，是AI時代真正的競爭壁壘與智慧財產。 智能與情境的失衡：模型能力六個月內翻倍，但業務情境知識（人員離職、決策邏輯、季節規律）仍散落在儀表板與Slack對話中，AI 無法習得。傳統只看 IQ 無法預測工作表現，人類 90% 的職場成績來自情境學習，AI 亦然。
重點整理
重點- 1
智能與情境的失衡：模型能力六個月內翻倍，但業務情境知識（人員離職、決策邏輯、季節規律）仍散落在儀表板與Slack對話中，AI 無法習得。傳統只看 IQ 無法預測工作表現，人類 90% 的職場成績來自情境學習，AI 亦然。
- 2
人類團隊的學習機制：Maya 分析師一年內成為公司專家，不是靠入職培訓，而是影子學習、犯錯回饋、邊緣案例經驗的疊加。團隊共享語言、劇本與集體記憶，形成複利學習循環。AI 系統需要複製這套協作結構。
- 3
單一 agent 無法擴展：ATLAN 初期為每個職能建立專有 agent（Hermione 健康分析、Moneypenny 財務風險），但 agent 互相孤立，行銷團隊更新資訊後銷售 agent 仍用舊資料。依賴軟體棧（Relevance、Google ADK、Glean、Cloud Code），每次遷移都讓情境被鎖在系統內。
- 4
情境層如同企業 IP：在模型相同、智能相等的時代，差異來自情境編碼——業務流程、決策規範、文化約定。競爭對手間的客服 agent 質量差異，本質是公司如何將隱性知識轉化為機器可用的情境。
實用技巧與重點
乾貨- 性能公式：Performance = Intelligence (認知馬力) + Context (職場習得知識)
- 過去十年：智能千倍提升，情境停滯不前
- 最近六個月：模型能力翻倍
- 人類 IQ 解釋職場表現差異：10% 而已
- ATLAN 客服團隊案例：建立 300 個技能、40 個 agent（六個月內）
- Maya 分析師問題：「為何本週平均通過時間上升？」
- 需要定義：指標邏輯（財務 vs 營運角度）、時間邊界（週期定義、時區）
- 需要知識：Q3 季節性、前季新品發佈可能影響
- 需要規範：回答格式（含根因分析）、誰有問詢權
- ATLAN 行銷團隊架構：
- 左側系統：資料、社群、廣告、分析平台
- 中層情境層：SEO 技能、競爭情報、行銷規範
- 右側 Agent：Cloud Code、自有 Claw、第三方工具（Qualified、Artisan）
- 情境層需要組件：資料圖（表格依賴）、技能庫、語義定義（指標、術語）、架構實體
- 軟體棧遷移歷史：Relevance → Google ADK → Glean → Cloud Code → Cloud+Codex（各自鎖住情境）
- 情境層設計理想狀態：內建版本控制、品質管理、依賴管理、核准流程、維護者指派
結論
結論“情境層是將企業的隱性知識、決策規範與文化轉化為機器可用資產的系統，是AI時代真正的競爭壁壘與智慧財產。”
完整解析
詳細問題的根源在於模型與實用性的巨大鴻溝。過去十年，語言模型的認知能力提升千倍，僅最近六個月就翻倍，達到執業律師前1%的水準。然而，只有五分之一的AI使用案例進入生產，56%的CEO反映無財務效益。這個悖論看似隱晦，實則源於人類績效評估被忽視的真相：認知智能只決定10%的職場表現差異。决定剩下90%的，是情境——即職場習得的知識、技能與專業經驗。
以分析師Maya為例，她一年內成為公司的求助對象。當商家提問「本週通過時間為何上升？」時，這個看似簡單的問題實則複雜：她需要理解指標的多義性（財務或營運視角）、時間邊界的定義、季節性因素（Q3因天氣波動）、以及前季新品發佈的可能影響。Maya習得這些知識的方式，不是培訓手冊，而是影子學習、犯錯回饋與邊緣案例的累積——這正是人類團隊的協作本質。真正的夢幻團隊，從不是個人明星的堆砌，而是基於共享語言、共享真相、共享劇本與集體記憶的複利學習。
ATLAN初期採取單一agent策略，為每個職能建立專有系統。行銷團隊的Hermione負責健康分析，財務團隊的Moneypenny負責風險評估，看似高效，實則存在三大根本問題。首先，情境工程成本爆炸——建立一個agent只需五分鐘，但注入業務準確度所需的情境卻耗時無限；其次，agent互相孤立，行銷更新定位後銷售agent仍推銷舊版本，無人知曉它們的連接方式；再者，軟體棧頻繁遷移（Relevance、Google ADK、Glean、Cloud Code），每次遷移都讓情境被鎖在各自系統內。
ATLAN隨後轉向通用agent模式，核心創新是建立共享的「情境層」。行銷團隊最佳SEO員工構建SEO技能，最佳競爭分析師構建競爭情報技能，這些技能匯聚於一個公司腦，供所有通用agent查詢。六個月內累積300個技能與40個agent。然而，即便如此也面臨新挑戰：技能間依賴複雜（競爭情報→類別定位→銷售戰卡，層層遞進），誰負責品質所有權不明，安全治理混亂（密鑰硬編碼、公開技能庫下載），跨系統可攜性受限。
根本解決方案是將情境層視為代碼。理想的情境管理系統應具備版本控制、依賴追蹤、品質管理與核准流程，每項技能都有維護者、貢獻者與依賴圖。其次，每次AI交互都產生痕跡，應設計自改進迴路：AI讀取痕跡、反向構建，交由維護者批准或拒絕，形成複利學習。第三，情境通常隱藏在既有業務系統中，連接Salesforce、HubSpot、資料倉庫與應用層，反向構建連接關係，即可快速生成初版企業腦。
關鍵時刻
Pipeline v2帶時間戳的重點，會在逐字稿層級分析上線後產生。目前請先透過原始影片觀看。
事實查核
Pipeline v2說法查證是下一次管線升級的一部分。KeyFrame 只會顯示它真正能驗證的內容。
