梦瑶 发自 凹非寺
量子位 | 公众号 QbitAI
痛点直击：即便在各类 AI Agent 产品层出不穷的今天，个人与企业用户依然深受工作场景「上下文」缺失之苦。对于真实业务中至关重要的信息，Agent 往往两眼一抹黑。
钉钉沟通记录、文档决策沉淀、企业标准规范等关键数据，通常散落在 Agent 视野之外。若能将聊天、文档、会议中的历史信息收拢整理，转化为 Agent 可直接消费的专属上下文，将极大改变这一现状。
近日，阿里千问办公开源的上下文基础设施项目「MyContext」引发关注，开源一周即在 GitHub 斩获超 1k Star。
MyContext 的核心价值在于“直给”：将分散在各处、格式各异的个人工作数据，加工成 Agent 能理解的专属档案。这不仅让 Agent 真正读懂用户与真实业务工作流，更在决策执行环节实现了高效的人机协同。
该项目直面企业上下文中几块难啃的骨头：迟到且反复变化的时序数据、彼此矛盾的事实，以及海量历史数据持续更新带来的高昂计算成本。当聊天、文档、会议和业务规则能被持续加工为可用上下文，Agent 才能真正从指令工具进化为工作流伙伴。
从分散数据到可用上下文，MyContext 补上 Agent 的数据加工层
今年 AI 圈绕不开的关键词是"Agent Harness"。随着模型推理、代码及工具调用能力的提升，加之插件、协议和执行框架的完善，Agent 在处理写报告、查资料、改表格等个人办公任务时已初见成效。
然而，一旦将其植入真实工作流，核心问题便暴露无遗：Agent 不懂真实业务场景。
例如，让人工智能更新上周讨论的客户方案并按最新口径整理汇报。对人类而言信息完整，但对 Agent 来说，这些内容分散在邮件、IM、文档及数据库中，伴随实时更新、版本冲突、权限边界与信息过期等复杂问题。仅靠通用知识和当前 Prompt，Agent 难以胜任。
这揭示了 Agent 走向生产级场景的核心瓶颈：模型能力的提升并未同步补齐对真实工作场景的理解。真实任务背后挂着跨平台的讨论、既定决策、动态状态及组织规则，这些构成了任务的「业务现场」。
Confluent 2026 年调查显示，66% 的企业认为数据基础设施和质量拖慢了 Agentic AI 落地；80% 的企业已将“用好自家数据驱动 AI"列为优先事项。企业 AI 落地的关键，已从前端模型转向后端能否建立一套将分散业务数据持续治理、加工并转化为可用上下文的基础设施。
针对此痛点，阿里千问办公开源的 MyContext 提供了解法：将散落在 Agent 视野外的 IM 沟通、文档、会议及业务协作记录，经用户授权后持续收拢整理，沉淀为动态更新的工作档案。
过往需反复交代的工作流背景（如负责内容、协作对象、项目进展、既定结论） now 可被系统性保留并直接进入执行链路。此外，MyContext 拒绝“黑箱记忆”，每条结论均保留可追溯的证据链，支持回溯原始记录，且信息调用严格遵循用户与组织权限约束。
对个人而言，无需每次更换 Agent 都重新自我介绍；对企业而言，群聊、文档中“人都知道，AI 不知道”的隐性业务背景被集成至工作链路。真实工作中的经验与工作流，终被系统性地加工为 AI 可理解、可检索、可执行的 Context。
把动态、冲突、异构数据，处理成 Agent 可消费的可信上下文
在海外，Palantir 通过 Ontology 统一语义层，Glean 强调 Enterprise Graph 连接实体关系，微软依托 Microsoft Graph 接入 Copilot。尽管路径不同，共识在于：Agent 进入企业核心流程前，必须建立对组织数据、关系和规则的上下文理解。
千问办公团队进一步聚焦底层难题：如何将异构、强时序、持续变化甚至彼此冲突的原始业务数据，稳定加工成 Agent 可直接消费的 Context。
△AI 生成
接入业务场景的难点不仅在于数据接入，更在于围绕数据处理、状态管理与上下文推理的工程挑战。
时序数据的精准处理
真实办公数据中的时间维度远比时间戳复杂。迟到消息、同一群聊不同时段的不同话题，若仅按时间筛选或机械切分，易导致信息遗漏或混淆。
MyContext 不为数据简单贴上“新旧”标签，而是为每条原始信息绑定稳定的来源标识，将幂等性建立在数据源之上。即使时间戳较旧，只要未被消费即进入处理链路；同时以对话空闲间隔作为 Session 边界，使上下文切分服从真实交互节奏。在知识提炼环节，采用滑动时间窗聚合证据，重复出现的事实将转化为高置信度信号。最终，Agent 获得的是一套能识别新旧、保留话题边界、处理历史更新并动态校准可信度的上下文。
事实冲突的智能化解
企业工作中事实常非线性排列，销售与项目经理说法不一、方案随时调整是常态。传统方法往往保留最新版本或最高置信度，抹去了决策过程中的分歧。
MyContext 通过「三态合并机制」将冲突视为业务信号：一致信息增强置信度，补充信息并入结论，真实冲突则多条并存并下调置信度，显式暴露给用户。用户人工确认的结论拥有更高优先级，禁止模型自动覆盖。这使得 Agent 能清晰分辨哪些已成共识、哪些尚在变化、哪些需人工拍板。
△AI 生成
增量计算的成本控制
面对持续更新的企业数据，若每次新消息都重算历史上下文， Embedding、实体判断及去重归并的成本将迅速失控。
MyContext 侧重增量计算：本地规则可判定的直接处理，模糊信息才交由模型；结果尽量复用，多次更新攒批处理。配合版本缓存、批量触发和分级降级策略，将昂贵的模型算力留给真正新增且需推理的信息。这套系统工程确保了 Agent 能长期、稳定地在真实业务流程中作业。
从组织数据到 Agent 协作，补齐企业上下文最后一环
千问办公自诞生起便瞄准企业场景，MyContext 的能力边界不止于个人，更旨在构建「数据汇聚—上下文加工—Agent 消费」的三位一体闭环，深入企业级工作场景。
在 IM 层面，依托钉钉覆盖超 2000 万企业组织、近 8 亿用户的规模，快速获取高价值原始知识库。
在 Context 治理层，利用千问办公在异构数据处理和上下文工程上的积累，将钉钉、飞书、Salesforce、SAP 及本地存储中分散的知识与工作流重新组织。
在 Agent 层，承接高质量上下文，推动任务执行从“能完成”迈向“更准确、更符合组织规则”。
三层联动实现了数据的价值跃迁：藏在聊天记录、会议纪要及个人判断中的信息，不再随项目结束或人员流动而沉没，而是沉淀为可信、可追溯且持续演化的工作上下文。
此举标志着真实业务数据将从“可被查询的资产”进化为“可参与执行的资产”，Agent 也将演化为理解组织、延续任务、参与协作的长期生产力单元。
目前，MyContext 已正式开源，开发者可直接上手体验。
参考链接：
https://github.com/openTrinity/mycontext#mycontext