阿里千问办公开源 MyContext，发力 Agent 上下文基建

千问办公近日正式开源全新的上下文基础设施 MyContext。该工具可将钉钉、飞书等 IM 工具中的沟通、文档、会议与协作记录，以及本地与线上多源数据，自动加工为一份持续更新的工作档案，被官方定位为解决 Agent 落地最后一块短板的关键拼图。

今年年初以来，AI 的入口之争已从 Chatbot 转向通用 Agent。阿里、字节、腾讯纷纷整合内部资源推出各自的旗舰 Agent 产品，PPT 生成、文档撰写、行业分析等办公场景成为头部玩家争夺焦点。但在企业饱和式投入之后，行业的关注点正在从单点花哨功能转向「把一件事从头做完」的能力，而上下文已成为办公 Agent 公认的薄弱环节。

Agent 功能趋同，上下文成新变量

通用 Agent 的能力边界今年明显扩展：得益于模型能力提升与 Agent Harness 架构迭代，Computer use、多 Agent 并行与记忆等能力几乎成为标配，Agent 已能完成 PPT、表格乃至行业深度分析报告的复杂任务拆解与工具调用。

但当场景深入真实业务时，Agent 的表现明显衰减。问题并不在大模型是否足够聪明，而在于办公场景的 Agent 需要两类知识：一是行业常识与专业框架，二是用户自身的历史工作积累与具体情况。后者目前几乎空白，用户每次仍需重新交代「我是谁」「在做什么项目」「上周方案最终定成什么样」，而这又不可能在单次任务里完整描述。

来自 MIT NANDA 的报告显示，约 95% 的企业级生成式 AI 试点未能换来实际回报，症结集中在数据基础设施缺失与难以融入既有工作流；数据平台公司 Confluent 2026 年调查也指出，66% 的企业认为数据基础设施与数据质量正在拖慢 Agentic AI 落地。

MyContext 的核心思路：精细化提炼

MyContext 以本地化方式运行在用户设备上，可将异构数据加工为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，每条信息均可回溯至原始出处，明确标注来源、时间与内容，以此缓解幻觉问题并提升任务准确率。

与传统方案相比，MyContext 在数据处理上做了两点关键改进：

• 三态合并取代简单覆盖：面对上下文处理中最常见的矛盾与时序错乱问题，业界惯常「取最新」或「取置信度最高」，看似利落却一路丢信息。MyContext 采用三态合并——说法一致则加固置信度，新说法为补充则并入，真冲突则两条都留并降低置信度，交由用户裁决；用户手工确认过的结论，模型不得覆盖。
• 算法重构降低 Token 消耗：千问办公团队将分工理念引入系统，让模型只处理相似度落在模糊区间、本地规则判不动的实体对，其余依靠缓存与批量触发策略，从而将典型场景下的全量处理成本大幅压缩。

海外方面，Palantir 通过 Ontology 为 Agent 提供可执行的语义层，Glean 强调 Enterprise Graph 串联人、项目、文档与业务实体关系，微软则依托 Microsoft Graph 与 Copilot Connector 将企业数据、权限和协作关系接入 Copilot。MyContext 延续了这一思路，但选择了开源与本地化路线。

阿里 Agent 的三位一体闭环

沙利文联合头豹研究院发布的《2026 年中国智能体（AI Agent）最佳应用实践》报告预计，中国 AI Agent 市场规模将由 2025 年的 2.6 万亿元增至 2030 年的 20.1 万亿元，其中 B 端长期贡献约九成收入。

对阿里而言，MyContext 是企业级 Agent 版图中的关键一环，构成了「IM + Context + Agent」三位一体的闭环：

• IM 层：钉钉服务超过 2000 万家企业组织、近 8 亿用户，沉淀着企业最高频、最高价值的原始知识与工作流。
• Context 层：MyContext 负责异构数据清洗与语义治理，可处理钉钉、飞书数据，并有望延伸至 Salesforce、SAP 及企业本地存储。
• 应用层：千问办公上月已打通钉钉 IM，逐步接入企业数据库与工作流，原生组合优势进一步放大。

在全球范围内，同时具备 IM、上下文基础设施与 Agent 系统性能力的公司寥寥可数，这也被阿里视为 Agent 战役中最强的护城河。