一位Elastic高管在最新访谈中抛出一个反直觉判断：企业部署的智能体（AI Agent）能力越来越强，但失败案例却在增多。问题不出在模型本身。

这背后藏着一道被忽视的工程鸿沟——上下文断层。

打开网易新闻 查看精彩图片

「智能体将取代SaaS」的叙事陷阱

科技圈正流行一种说法：智能体将自主接管企业软件工作流，压缩甚至替代传统SaaS品类。资本和创业者都在押注这个方向。

但企业系统的实际运转逻辑，远比这层叙事复杂。

智能体并不取代底层数据、基础设施和运营系统。它依赖这些。更精确地说，它依赖的是上下文——业务场景中的 relevance（相关性）和 operational grounding（运营根基）。

模型能力在提升，这是事实。但Elastic国际客户工程高级总监指出：「AI系统的有效性，仅取决于它所获得的上下文和数据。」

没有正确的上下文，智能体执行任务时会出错。不是那种明显的崩溃，而是生成幻觉（hallucinations）——输出看起来合理，实则残缺、误导或完全错误。

这种错误的代价在企业场景中被放大。误判的信用风险模型可能批准欺诈交易，让公司暴露在财务损失和监管审查中。医疗支持智能体可能遵循建议，无意中违反隐私规则或给出有害的医疗指导。供应链采购的战略决策也可能因此偏离轨道。

上下文断层的三个典型场景

智能体的失败模式，往往遵循相似的剧本。

第一种是数据孤岛型。企业数据分散在CRM、ERP、财务系统、邮件线程和Slack频道中，智能体只能访问被投喂的片段，对完整业务脉络一无所知。它像一位只读了剧本第三幕的演员，强行登台。

第二种是动态盲区型。业务规则、客户状态、库存水位实时变化，但智能体的知识截止在某个训练日期，或依赖延迟同步的向量数据库。它用昨天的地图导航今天的路况。

第三种是意图误读型。用户的自然语言指令存在歧义，「处理这批订单」可能指加速发货、也可能指批量退款。缺乏组织惯例和历史决策上下文的智能体，只能猜测。

这三种场景的共同点是：智能体被赋予了行动权，却没有被授予「知情权」。

为什么上下文比智能更难工程化

模型能力的提升遵循相对清晰的 Scaling Law（规模定律）——更多参数、更多数据、更多算力，能力曲线可预期地上升。

上下文的构建没有这样的公式。

它需要打通异构系统，需要理解业务语义而非仅数据格式，需要在实时性、完整性、隐私合规之间做权衡。这些是组织工程问题，不是算法问题。

Elastic高管的观察指向一个被低估的现实：企业AI的竞争壁垒，正从「谁的模型更强」转向「谁能把上下文喂得更准」。

这也解释了为什么同一套智能体框架，在Demo环境和生产环境的表现天差地别。Demo可以精心构造上下文，生产面对的是混沌的真实业务流。

行业影响：重新划定价值链条

如果上下文成为瓶颈，行业分工将被迫调整。

基础设施层的机会显现。向量数据库、实时数据管道、企业知识图谱这些「上下文基础设施」，从配角走向核心。它们决定智能体能看到什么、何时看到、以何种粒度看到。

应用层的逻辑也在变化。单纯的「智能体封装」SaaS价值下降，能够深度嵌入客户上下文、成为「组织记忆载体」的产品价值上升。客户切换成本不再来自功能锁定，而来自上下文沉淀。

对技术团队而言，这意味着技能重心的转移。提示工程（Prompt Engineering）的边际收益递减，数据工程、系统集成、业务建模的重要性回升。智能体的「调教师」需要懂业务流，而非仅懂模型行为。

对采购决策者而言，评估维度需要更新。问「用了什么模型」不如问「上下文覆盖率多少」「延迟多少」「如何与现有系统同步」。供应商的上下文治理能力，比模型API调用能力更能预测实际效果。

数据收束：一个待验证的假设

智能体的智力曲线仍在陡峭上升，但上下文曲线的斜率将决定它何时能真正进入核心业务流程。

目前的企业部署数据支持这一判断：能力最强的模型在上下文匮乏时，表现可能弱于能力一般但上下文充分的对手。这不是模型竞赛的终局，而是提醒——智能的瓶颈正在转移。

下一代企业AI的赢家，可能不是模型公司，而是最擅长把组织混沌转化为机器可读上下文的「翻译层」构建者。