AI 时代,企业最值钱的东西变了

“

硅识 · 关于企业 AI 的一些的想法

一

2025 年 6 月,Shopify 的 CEO Tobi Lütke 发了一条推:”我真的很喜欢 context engineering 这个词,比 prompt engineering 好多了。它更准确地描述了核心能力:给任务提供所有能让 LLM 有可能解决问题的上下文。”

几天后,Andrej Karpathy(前 OpenAI 研究员、前 Tesla AI 负责人)跟了一句:”在每一个工业级的 LLM 应用中,context engineering 是一门精细的艺术和科学——往上下文窗口里填充恰好正确的信息。”

到 2025 年 7 月,Gartner 直接宣布:”Context engineering is in, prompt engineering is out。”

这件事发生得很快。不到半年时间,整个行业的注意力从”怎么写好一条 prompt”转向了”怎么给 AI 准备好上下文”。

表面看这只是换了个词。但如果你仔细想一下,这背后的含义比”换个词”大得多——它在说一件事:

AI 够聪明了。瓶颈不再是 AI 本身,而是你喂给 AI 的东西。

二

先把”上下文”这个词讲清楚,因为它在不同场景下含义差别很大。

在 AI 技术圈里,”上下文”指的是模型在做推理时能”看到”的所有信息。包括你写的 prompt、系统预设的角色和规则、之前聊过的对话历史、RAG 拉进来的文档片段、工具调用返回的数据、跨会话的记忆。这些合起来,就是模型在某一次推理时的”全部可见信息”。它只能根据这些信息思考和输出,看不到的东西它不知道。

这是技术意义上的上下文。

但我想聊的是另一个层面——**企业上下文(Enterprise Context)**。

三

什么是企业上下文?

简单说,就是一家企业运转所依赖的所有隐性和显性知识的总和。

每家企业都有大量”知道的东西”。一部分是显性的,系统里能查到:数据库里的客户信息、代码仓库里的源代码、文档系统里的 PRD 和操作手册。另一部分是隐性的,系统里查不到:这条业务规则为什么这么定?这个客户为什么给 VIP 折扣?上次这个系统改了之后出过什么事?谁是这块业务真正懂的人?哪些事可以变通,哪些事绝对不能碰?

我之前管研发团队时有一个直觉:一家公司真正值钱的知识,大概 30% 在系统里,70% 在人脑子里。系统里那 30% 是结构化的、可查询的。人脑子里那 70%,是非结构化的、散落的、会随着人的离职而消失的。

这 70%,就是企业上下文里最关键也最脆弱的部分。

四

为什么 AI 时代,企业上下文突然变得这么重要?

因为 AI 做事的方式和人做事的方式,有一个根本区别。

人做事时,可以调用自己脑子里的全部经验。一个资深工程师看到一行代码,他脑子里同时在运行很多东西:这个模块的历史、这个客户的背景、上次改这里出过什么问题、老板对这块的态度、这个字段在另外三个系统里是什么含义。他不需要把这些写下来,它们就在他脑子里。

AI 做事时,只能看到你喂给它的信息。Claude Code 在帮你写代码时,它能看到的是:你当前打开的文件、项目的目录结构、你写的指令。它看不到三年前的架构决策,看不到飞书群里关于这个功能的讨论,看不到这个客户为什么要求 24 小时硬截止。

它不是不会推理——它是没有推理的素材。

Datadog 2026 年 4 月的《State of AI Engineering》报告有个有意思的发现:大多数企业 AI 应用,远没有用满模型的上下文窗口。模型有一个巨大的”胃”,但企业只喂了一点点东西进去。

瓶颈不是模型的容量。是企业根本没有把自己的上下文准备好。

五

这件事在 Agent 时代变得更严重。

之前的 AI 用法比较简单——你问一个问题,AI 回一个答案。上下文只需要你那条 prompt 加上可能检索到的几段文档。

Agent 不一样。Agent 要连续做好几件事:先分析需求,再查数据,再调用工具,再验证结果,再写报告。每一步都依赖前一步的结果,每一步都需要新的上下文。

举个例子。你让一个 AI Agent”评估某个功能的改动影响”:

第 1 步,理解这个功能做什么——需要代码上下文。第 2 步,找到所有依赖这个功能的系统——需要架构上下文。第 3 步,查一下这些系统上次改的时候出过什么事——需要历史上下文。第 4 步,看有没有客户对这块功能有特殊约定——需要业务上下文。第 5 步,综合评估风险。

5 步,每一步需要的上下文类型不同。代码上下文在 GitLab,架构上下文在 Confluence,历史上下文在 Jira 和飞书,业务上下文在 CRM 和老员工脑子里。

如果第 4 步时拿不到”某客户对这块功能有特殊约定”,Agent 就会给出一个”技术上正确但业务上致命”的建议。

链路上任何一步的上下文缺失,都可能导致最终结果错误。

六

为什么现有的方案不够?

RAG 是第一代方案。核心思路是把企业文档切块,存到向量数据库,用户提问时检索相关的块塞进 prompt。

RAG 解决了一部分问题。但它有几个硬限制。

第一,RAG 只能检索”已经被写出来的东西”。企业里那 70% 在人脑子里的隐性知识,RAG 碰不到。

第二,RAG 是按语义相似度检索的。你问”这个客户为什么有特殊账期”,答案可能在三年前一封邮件里,标题叫”关于 Q3 对账流程调整的讨论”——语义相似度很低,检索不到。

第三,RAG 没有关联推理能力。它只是把检索到的片段拼在一起。但企业上下文的价值不在于单个片段,在于片段之间的关系——”这条规则是因为那次事故定的,那次事故是因为那个客户的特殊需求引发的”。RAG 做不了这种关联。

MCP 是 2024 年底 Anthropic 提出的协议。它的思路不是”预先准备好所有上下文”,而是”让 AI 在需要时实时去各个系统拉取”。MCP 解决了数据接入的标准化问题。但它只是管道,不是内容——打通了接口,但企业业务知识怎么结构化、怎么被 AI 理解,MCP 不管。

知识图谱能做关联推理,但建设和维护成本极高。我见过不少企业花大价钱建知识图谱,建到一半发现维护不下去,放弃了。

七

我自己想这件事想了比较久。觉得可能需要换一个角度:不是”怎么把现有文档更好地喂给 AI”,而是”怎么把企业的业务真实,变成 AI 能理解的结构”。

我试着梳理了几类我觉得关键的企业上下文:

业务实体和规则——你公司的核心业务对象是什么?它们之间什么关系?基于这些对象有哪些规则?

系统和流程——有多少套系统?怎么交互?数据从哪流到哪?一条业务流程横跨哪几个系统?

决策和演化——每一条重要的规则当年怎么定的?谁参与?后来改过没?

人和组织——谁懂什么?谁负责什么?技术决策和业务决策走什么路径?

客户和场景——客户有哪些分类?不同分类有什么特殊需求?典型场景和异常场景?

数据资产——数据存在哪?哪些是权威源?字段口径是什么?

把这几类东西组织起来,就是我理解的企业上下文的完整结构。它不是一个文档,不是一个数据库,也不是一个知识图谱。它更接近一个活的、多层次的、持续更新的企业语义模型——描述的不是数据本身,而是数据背后的含义、规则、关系和历史。

这是一层新的基础设施。ERP 没建过这一层,SaaS 没建过,数据中台也没建过。

八

Karpathy 有一个比喻我觉得挺好:把 LLM 想象成一个 CPU,上下文窗口就是 RAM。你干的事相当于一个操作系统——往 RAM 里加载恰好正确的代码和数据。

延伸到企业场景:

通用大模型是 CPU——能力很强,但什么都不知道。 互联网知识是公共磁盘——所有人都能访问。企业上下文是私有磁盘——只有你的公司有,别人没有。

当所有企业都能用同一个 CPU,都能访问同一块公共磁盘——真正的差异化,在你的私有磁盘里。

你的私有磁盘里有什么?客户信息、业务规则、历史决策、系统架构、流程逻辑、人员知识。这就是企业上下文。

谁的私有磁盘整理得更好、更完整、更结构化——谁的 AI 就更懂业务。

以前,企业竞争力来自”我有更多的人”。 后来,来自”我有更好的系统”。 再后来,来自”我有更多的数据”。

AI 时代,来自”我的 AI 比你的 AI 更懂我的业务”。

决定因素不是模型——所有人用的差不多。决定因素是企业上下文的质量。

九

企业应该怎么做?我还没完全想清楚,但有几个方向比较确定。

第一,开始把企业上下文当成一种资产来管理。

大部分企业对数据有资产意识,但对企业上下文没有。没人管”业务规则有没有被记录””历史决策有没有被保留””系统之间的关系有没有被描述”。这些东西和数据一样是资产。在 AI 时代,它们可能比数据更值钱——数据告诉你”发生了什么”,上下文告诉你”为什么”。

第二,不要指望一次性整理完。

上下文不是静态的。企业每天产生新的决策、新的规则、新的变更。它不应该是一个”项目”(有开始有结束),应该是一个持续运行的基础设施。

第三,AI 本身可能是整理企业上下文最好的工具。

有意思的反转——你需要上下文来让 AI 工作,但你也可以用 AI 来整理上下文。长上下文窗口 + 工具调用 + 多步推理,让 AI 可以跨系统拉取数据、关联实体、重建语义。人做不了这件事(信息量太大),AI 可以。

第四,上下文的治理要比数据治理更严格。

企业上下文包含大量敏感信息:核心规则、客户约定、内部决策过程。给 AI 用,必须有严格的权限控制和审计。不是所有人都该看到所有上下文,不是所有 Agent 都该访问所有系统。

十

最后说一个可能有点大但我确实这么想的判断。

AI 时代,企业最值钱的东西变了。

品牌还值钱,客户还值钱,团队还值钱。但多了一样:企业上下文——你的 AI 对你自己业务的理解深度。

两家同行业的企业,用同一个模型。一家花了两年认真整理企业上下文,另一家只做了 RAG 挂了几个文档。

两年后,前者的 AI 能回答”这个客户的特殊账期为什么这么定、当年是怎么谈的、中间改过几次、现在合同条款是什么”。后者的 AI 只能回答”这个客户的账期是 45 天”。

前者的 AI 像一个工作了 10 年的老员工。后者的 AI 像一个实习生。

你觉得哪家公司更有竞争力?

模型会被替代。工具会被替代。但你花两年积累的企业上下文,别人复制不了。

这才是 AI 时代真正的护城河。