千问办公为何把企业上下文推向前台？
今年云栖大会现场逛下来，AI超维度分析师有一个很强烈的感受：各种办公Agent展台成了人流最密、关注度最高的地方。
从陪人聊天的Chatbot，到会拆任务替人干活的Agent，再到领了工牌、进组织走流程的企业级Agent，这轮变化从2022年11月底ChatGPT上线算起，还不到四年。弹指一挥间，AI的竞争已经从跑分榜单，延伸到了企业每天真正要完成的工作里。
这次大会安排了100多场分论坛，产品发布一场接一场。回看这些发布，最让我们回味的，是9月22日千问办公的那一场。"掌门人"陈宇森给自己的演讲起了一个非常大胆的标题：Context is All You Need。
这不禁令人想起九年前那篇奠定现代大语言模型架构基础的论文《Attention is All You Need》。
2017年以前，注意力机制还只是机器翻译模型里的一个辅助角色，帮助模型在生成译文时，找到原文里最相关的词。而主流模型仍依赖循环网络，信息沿着序列逐步传递，训练难以充分并行，远距离信息之间的计算路径也很长。
论文以注意力机制为核心构建Transformer，不再依赖循环或卷积进行序列建模，这既缩短了信息传递路径，也让训练更容易并行。此后，主流大语言模型大多沿着这条路线发展。
九年后，陈宇森把Attention换成Context。实际上，当天千问办公发布了七项产品与功能，从数字员工到协作空间再到安全中心，还有一款AI硬件。但他的演讲标题里唯独强调了Context，为什么？
AI再聪明，也不知道"我们公司"的"我们"是谁
陈宇森在演讲时问了一个问题，如果向AI提问："我们公司上季度华东区的毛利率是多少？"
"没有一个AI能答得上来。"他说。
模型纵然精通财务，也不会知道"我们公司"是哪一家，"华东区"划了哪几个省，毛利率按哪个口径算。用陈宇森的话说，模型再高的智商，也无法猜出一个没有提供过的事实。
古茗的案例更直观。这家一万多家门店的茶饮企业，芭乐冰奶茶的茶汤放多少毫升、制冰机滤芯多久换一次，网上查不到，AI更是答不上，店员只能问同事、问店长。我们把这样的信息叫作"企业内部知识"，每家企业可能都攒了数年乃至数十年之久的"内部知识"。
那么把这些一股脑全塞给AI是不是就大功告成了？陈宇森提到两个关键数字：中大型企业内部的数据平均有150PB，而眼下最强的模型上下文窗口只有100万token。如果一次性把企业数据都塞给AI，窗口将直接打爆；就算塞得下，新旧资料混在一起，AI很可能照着一份过时的数字说得头头是道。
模型能力竞赛打到今天，Agent会干活已经不稀奇了。真正卡住企业Agent的，是它懂不懂一家公司。企业要的是一个知道眼下该用哪份资料、按哪套规矩办事的Agent。
两条路
模型公司的思路，是把Agent做得更聪明再接上工具。今年6月，Anthropic发布Claude Tag，把Claude直接放进Slack：同事在频道里@它，它就调用工具去查系统、翻文件，把事情办了，也在一项项任务里记住这个团队的情况。
这条路能解决不少问题，代价是企业知识得靠Agent自己现找、现拼。华东区划了哪几个省、毛利率按哪个口径算，散在不同系统和文件里，每接一次任务都要重新翻一遍，读进去的每一段都烧Token，翻到的还未必是最新那一版。一家公司用好几个Agent，这笔账单还得重复付钱。
千问办公的解法，是把企业上下文（Enterprise Context）做成一个独立产品。企业先把信息理好，并随业务的变化持续更新，Agent执行任务时，再按需提取相关内容。
古茗通过 Enterprise Context 对原始资料进行结构化处理
注意，理好的知识是留在企业这一层的——换哪个Agent来干活，都从企业上下文里面取。
把企业上下文做成用得起的基础设施
但企业上下文最难的，是"水面下"那张复杂的关系网。
一个项目走到哪一步，关联了哪些人，都有哪些工作文档、哪些群聊，这些信息是分散各处的。只有连到一起，Agent才判断得出这个项目眼下走到了哪一步。
接入各个系统，只是找到资料的第一步，把资料之间的关系理清楚，才知道它们在企业里意味着什么，而且这些关系可能每天都在发生变化。
"织出"这张网，业内有一套成熟方法，叫本体论（Ontology）：把一家公司的客户、订单、设备理成一个个对象，理清它们之间的关系，记下它们眼下的状态，再规定好能对它们做哪些操作，让机器既看得懂，也用得上。
陈宇森提到的Palantir就是靠这套方法行走江湖。但它有个问题：成本非常高。因为大量信息根本不在系统里，一次特批，可能只是群里的一句"老板同意了，按上次的价格走"，过去的软件哪里知道它指的是哪位客户、哪份报价，这种只能靠人一条条整理，自然贵。
但重型数字化工程的成本，不是绝大多数企业承受得起的。
千问办公的做法是连接加压缩：实体关系用图数据库连起来，信息按文件系统层层组织、逐层压缩，Agent工作时先读取与任务相关的信息，少读无关内容，需要时再逐级展开。这种做法在技术上叫渐进式暴露。
这些整理和压缩，由企业上下文内置的一个专属模型来完成。官方称用很低的Token成本就能做到。
只有整理和更新"隐性知识"足够便宜，使用也无需每次都付出高昂的推理成本，企业上下文才有机会从一项重型数字化工程，变成一套每天都用得起的基础设施。
企业开门做生意，家家都有一本账。如果用AI省下的工夫，还抵不过整理数据、维护知识的投入，这笔账就算不过来。但如果把企业上下文做成了基础设施，一旦跑起来，就可以长在企业的业务里了。很显然，陈宇森押注的是这个。
这很难，但千问办公手里有一张别人难以复制的牌。
钉钉。
8月千问办公上线时，AI超维度在评论里写过："个人变快，不代表企业变快"，把许多个人的上下文放在一起，也不会自动得到企业上下文。
一家公司最难理清的关系，往往是谁向谁汇报、谁能批多少，这些很少写在文档里，却天天在企业的审批流里跑。钉钉服务着2700万余家企业组织，承载着大量企业的文档、沟通和审批记录，记录着每家企业如何运转。
过去因为这些，钉钉常被嫌"重"，但现在看来，这些年累积下来的组织、身份、审批等工作流，正好是构建企业上下文的宝贵"原料"。
中国企业软件被嫌弃多年的"重"，到了Agent时代，成了一座富矿。
但知道越多，责任也越大。做网络安全出身的陈宇森，把"信得过"放在与"懂业务、能协同"并列的位置。Agent能访问什么、能执行什么，要先划清边界，高风险操作要审批，事后还得有记录可查。在他看来，让企业放心交出内部知识，安全得从架构设计之初就做进去。
九年前，《Attention Is All You Need》把注意力机制从配角变成主角，让模型更有效地处理信息之间的关系。今天，陈宇森借这个标题，把目光投向Agent进入企业组织之后。
他相信，模型和Agent随时能换，但一家公司对自己的理解替换不走，掌握企业上下文（AI资产）才是最重要的。
"你不需要用一个最强的大模型，只需要一个性价比非常合适的大模型，就能解决企业里面各种各样的办公问题。"陈宇森说。
生意难做，有时候是因为，企业自己都说不清自己。
过去二十多年，阿里使命一直是那句"让天下没有难做的生意"，或许未来，千问办公的使命可以说："让天下没有AI不懂的企业"。
-END-
获取更多AI非共识！