企业 AI Agent 的 Context，不是“多塞资料”，而是构建可行动的组织记忆
Context 不是把所有资料都放进 AI，而是让 AI 在当前任务中知道：发生过什么、依据是什么、该怎么做、现在最该看什么。
在企业 AI Agent 落地中，Context 往往决定系统能否从“会回答”走向“能协作、能执行、可追溯”。
好的 Context，至少包含四层记忆
1. 情境记忆：保留业务现场
情境记忆记录的是具体发生过什么：谁在会议中提出了什么判断，项目在哪个节点做过什么决策，客户在工单里反馈过哪些问题。
对企业来说，聊天记录、会议纪要、审批记录、项目日志、工单流转、邮件往来，都是情境记忆。
它的价值不只是保存信息，而是保留“当时为什么这么判断”。这对应 Endel Tulving 在 1972 年提出的 episodic memory，即对具体事件和经历的记忆区分。(Alice Kim, PhD)
2. 语义记忆：沉淀稳定知识
语义记忆是从大量情境中抽象出来的稳定知识，例如术语、规则、流程、产品定义、组织共识和经验方法。
企业知识库真正有价值的地方，不是把文档堆起来，而是把零散材料逐步整理成可复用、可检索、可维护的结构。
3. 程序化记忆：知道该怎么做
程序化记忆对应“遇到某类问题应该怎么处理”。
在 AI Agent 系统中，它通常表现为 SOP、模板、审批路径、工具调用策略、工作流配置和 Agent Skill。
这层记忆决定了 AI 是停留在“给建议”，还是能够进入真实流程，完成分派、查询、生成、校验、提交和回写。
4. 工作记忆：当前任务最需要的信息
工作记忆是 AI 当前任务窗口里临时需要的高相关信息。
MemGPT 等研究将大模型上下文窗口视为稀缺资源，通过分层记忆管理，让系统在有限窗口内调用更大的长期记忆。(arXiv)
这对企业很关键：Context 的重点不是“越多越好”，而是“刚好支撑当前任务”。
企业真正需要的，不是资料库，而是 Context 组织机制
在企业现场，Context 最大的问题通常不是缺资料，而是资料太多、太散、太旧、太噪。
会议纪要不等于真实决策逻辑，历史文档也不一定代表当前规则。要让 AI Agent 稳定工作，Context 需要被持续组织。
递归式记忆蒸馏：从事件到判断，再回到执行
适用于复杂项目、多方协作和跨周期目标管理。
例如日报、周报、月报，不只是不同频率的汇报，而是一套信息压缩机制：
- 日报记录具体事件；
- 周报提炼阶段进展、风险和阻塞；
- 月报形成趋势、判断和管理动作。
同时，周报和月报又会反向影响后续日报，让记录更有结构、更聚焦关键问题。
这就是“情境记忆 → 语义记忆 → 再影响新的情境记录”的闭环。
情境重构：让卡住的问题换一种看法
很多项目并不是没有信息，而是问题被放在了错误框架里。
当讨论反复震荡时，可以调整目标、边界或观察视角，再把已有记录重新组织一遍。
同一批资料，在“降本”“提效”“风险控制”“客户体验”这些不同框架下，可能会导向完全不同的优先级。
遗忘与权重衰减：让系统变轻、变准
企业 Context 不能一视同仁地永久保留。
低频、过期、无效的信息，应逐渐退出核心上下文；高频被引用、对关键决策有贡献、经过验证的信息，应持续被强化。
这不是删除历史，而是让 AI 在执行任务时优先看到真正重要的内容。
任务驱动编排：围绕当前目标组装上下文
不同任务需要不同 Context。
处理客户投诉，需要客户历史、服务规则、工单记录和可执行补偿政策。
生成销售方案，需要行业资料、客户画像、过往沟通、产品能力和报价边界。
审核合同条款，则需要合同模板、法务规则、历史风险案例和审批权限。
Context Assembly 的核心，是围绕当前目标组织信息，而不是把所有资料都塞进模型。
远锦如何看待企业 Context 建设
在远锦看来，企业 AI Agent 的 Context 建设，不是一个单纯的技术问题，而是业务、流程、知识、系统和治理共同参与的工程。
我们通常不会从“选什么模型”开始，而是从业务结果开始：
这个 Agent 要服务哪个流程？
要减少哪类重复工作？
要支撑哪些判断？
哪些动作可以自动执行？
哪些必须人工确认？
哪些结果需要留痕和回写？
一个可上线的企业 AI Agent，背后往往包括：
- 流程梳理；
- 知识整理；
- 系统接入；
- 权限控制；
- 人工审批；
- 日志留痕；
- 风险识别；
- 效果评估；
- 持续优化。
Context 不是一次性整理出来的，而是在真实业务运行中不断清洗、过滤、沉淀出来的。
结语
好的 Context，不是更大的提示词，也不是更厚的知识库。
它是一套能让 AI 理解“此刻该如何行动”的组织记忆系统。
当企业能够把情境记忆、语义记忆、程序化记忆和工作记忆连接起来，AI Agent 才有机会真正进入业务现场，参与判断、执行流程，并在持续反馈中变得更稳定、更可信。