上下文图谱：让 AI 智能体记住决策的「为什么」

在 AI 智能体逐渐进入企业流程的当下，一个长期被忽视的问题浮出水面：智能体能看到「发生了什么」，却几乎拿不到「为什么这样决定」。一篇发表于 Hacker News AI 区的长文提出「context graph（上下文图谱）」这一概念，主张把决策的依据、上下文与例外情况结构化地写入智能体记忆，让 agent 在面对新情况时能够复用人与组织已有的判断经验。

智能体为何失败：一个续约案例

文章以一个虚构但典型的场景切入。某合同续约智能体面对一个 48 万美元的账户，客户要求 20% 折扣，否则流失。其规则中既有「超过 10 万美元账户不应流失」的战略原则，也有「续约折扣上限 10%」的执行细则，两条规则相互冲突。

人类处理此类情形，会回想起上个季度 Globex 的处理先例：在 CEO 拍板「要保住 Fortune 500 客户」的语境下，有人特批了 20%，事后该客户顺利续约。这段「为什么」的推理链散落在旧 Slack 频道、Zoom 会议纪要和 CEO 邮件里，Salesforce 里只留下「20%」这个数字本身。智能体既读不到上下文，也无法判断眼前的案例是否和 Globex 实质相似，最终结果要么机械执行 10% 上限丢单，要么把问题抛回让人工去重新考古。

文章把这种失败总结为一句：「无论哪条路，组织都没有真正从采用 AI 智能体中获益。」

扁平上下文的两个问题

文章把「把全部原始数据一股脑塞进上下文窗口」称为「flat context」，并指出两个具体失效模式：

• 上下文腐烂（context rot）：以一张发票审批为例，智能体被要求「能否支付发票 #842」，需要在 PO 余款、收货状态、供应商黑名单、审批阈值、合同付款条款、政策版本、内部 slack 中的「Acme 通常季度末才付」等信息间反复跳转。Surge AI 发布的指令跟随基准显示，当前最强的前沿模型在复杂指令任务上的解决率不足 41%。
• 缺乏决策痕迹（lack of decision traces）：组织中大量「部落知识」——例如「物流类客户先拖工期再谈减免 5000 美元 onboarding 费」「某类账户历来可以分期付款」——既不在 CRM 字段里，也无法在扁平上下文窗口中被有效检索与复用。

context graph 想解决什么

文章把 context graph 定义为「智能体记忆中负责记录决策的部分」，目标不是替代传统数据存储，而是补足「why」这一层。其核心思路是：

• 不把业务数据摊平成离散的文本块，而是保留它们之间的因果与引用关系。
• 把曾经的例外、批准人、当时的风险判断与后续结果写入图谱，让下一次同类情况发生时智能体可以直接引用历史决策。
• 由 Foundation Capital 形容为「万亿美元级 AI 机会」，作者认为该词虽新且略被滥用，但指向的是一个真实需求。

现实意义与局限

从工程角度，context graph 与近年来企业知识图谱、agent memory、决策追溯系统的方向高度一致，强调「结构化胜过扁平堆砌」是当下业界正逐步形成的共识；文章引用的 Surge AI 基准数字也为「长上下文中模型可靠性下降」这一观察提供了量化支撑。

不过需要指出，原文更像是一篇带推广色彩的概念倡导文，对 context graph 的具体 schema、检索与写入机制、与现有 RAG / 知识图谱方案的差异均未展开；其结论也偏概括。可作为理解 agent 记忆问题的入门阅读，但若据此选型，仍需进一步对比具体技术方案。