千问办公开源上下文基础设施，Agent的下一个战场打响|agent|上下文|千问办公|工作流|调用

来源：市场资讯

（来源：智能涌现）

Agent的下一个战场已经打响了！

昨天，千问办公官宣开源了全新的上下文基础设施MyContext，它可以把钉钉和飞书等IM软件的沟通、文档、会议与协作记录，以及本地、线上线下的多源数据，自动加工成一份持续更新的工作档案。MyContext指向的就是Agent落地的最后一块短板。

但在企业饱和式投入，涌进这一赛道后，新的问题逐渐显露。AI办公场景最稀缺的能力，不再是单点花哨的功能，而是把一件事从头做完的能力。而现在，上下文已成为办公Agent的阿喀琉斯之踵。

Agent功能趋同，“上下文”成为战场的新变量

今年以来，得益于模型能力的快速提升和Agent Harness架构的持续迭代，通用Agent的办公能力日渐成熟，Computer use、多Agent并行和记忆等能力几乎成为标配，Agent的能力边界也从写文案、做摘要、翻译，延伸到具备复杂任务拆解和工具调用，可以做PPT、表格，甚至是行业深度分析报告。

这些单点能力的跃升，已经在颠覆个人的工作模式：人只要交代目标，Agent自动拆解步骤、调度工具，直到交付结果。毋庸置疑，这样的模式极大地提升了个人的办公效率。

但新的问题也随之涌现，Agent的能力边界依旧局限于处理标准化或者通用的任务。越往真实业务里走，Agent的表现就大打折扣。

导致Agent在真实工作场景能力衰减的原因并非大模型不够聪明。对办公场景的Agent而言，需要获取两快知识，一是行业常识和专业框架，这是模型已经具备的能力，二是用户具体情况和过往工作积累的信息，这也是目前模型和Agent都缺失的一环。

例如，一份季度复盘背后，是几十条历史沟通、多版旧方案、多个张口径各异的表格，中间数据反复改，结论也要跟着变。真实的工作场景，远不止一次提问和几份被临时上传的文件，它需要Agent了一个人长期负责什么、与谁协作、过去作过什么决定，更需要有清晰的便捷，哪些事情可以做、哪些必须交还给人。

事实情况是，Agent对用户和历史工作信息的了解几乎空白，无法把这些背景信息和单次任务串联起来。用户使用Agent仍需要先从头交代一遍：“我是谁”、“在做什么项目”、“上周的方案最后定成了什么样”。但用户在每次任务中也几乎不可能完整描述工作背景的全貌。这一问题正在限制Agent在企业级场景的落地。

MIT的NANDA报告称，约95%的企业级生成式AI试点没能换来实际回报，症结集中在缺数据基础设施、融不进既有工作流。数据平台公司Confluent 2026年的调查则显示，66%的企业认为数据基础设施和数据质量正在拖慢Agentic AI落地。

因此Agent竞争的胜负手已经开始转变，Agent落地比拼的不仅仅是模型，这一阶段拉开差距的，是一直被行业低估的上下文。这并非个案，而是整个行业的共识。

MyContext要做的不是连接，是精细化的提炼

Agent所需的这层背景信息，早已沉淀在工作群、文档以及会议纪要，以及Salesforce、SAP等企业软件中。但对于Agent而言，仅靠简单粗暴地连接这些数据，并不能有效运转，业界需要的是一套能够将其结构化并供Agent消费的上下文基础设施。

这也是企业级上下文工程和通用检索方案之间的分水岭。Agent的上下文基础设施真正的门槛在“提炼”，是把杂乱、矛盾、带时间线的原始信息，炼成Agent开箱即用的干净上下文，这背后涉及到的算法和工程，是最难啃的硬骨头之一。

此前，海外科技公司展开了一系列探索。比如，企业级数据与AI平台公司Palantir，通过Ontology来统一企业对象、关系与业务逻辑，给Agent提供可执行的语义层；企业级AI搜索与知识平台公司Glean则更强调Enterprise Graph，把人、项目、文档和业务实体之间的关系连起来；微软则依托Microsoft Graph与Copilot Connector，把企业数据、权限和协作关系接入Copilot。

根据Github的开源文档显示，千问办公这次开源的MyContext以本地化方式运行在用户设备上，并可以将线上线下的异构数据加工成一份可持续更新的工作文档，涵盖职责范围、协作关系、行为习惯与既有结论。每一条信息均可回溯至原始出处，明确标注来源、时间与内容。整个过程有理有据，不仅解决了幻觉问题，还可大幅提升Agent执行任务的准确率。

千问办公团队的官方信息显示，和传统方案不同，MyContext在数据处理上走了一条新路线。针对上下文处理最典型的矛盾和时序错乱问题，业界惯常“取最新”或“取置信度最高”，看着利落，实则一路在丢信息。MyContext另辟蹊径，在结论层用的是三态合并：说法一致就加固置信度，新说法是旧说法的补充就并入，真冲突则两条都留、同时降低置信度、交由用户裁决；用户手工确认过的结论，模型永远不能覆盖。这样的方案极大地保证了信息的准确性。

另外，MyContext还解决了规模化上下文处理的成本问题，针对数据处理的算法做了一次重构。通常情况下，全量处理一次向量要几十分钟，而数据源每十分钟就更新一轮，同一件事可能会反复调用模型，这也会产生巨大成本。因此，千问办公团队将分工理念放进系统，让模型只处理它真正不可替代的那一小段，比如相似度落在模糊区间、本地规则判不动的那些实体对，最后结合缓存、批量触发等策略，有效减少模型的Token成本。