阿里千问办公近日开源上下文基础设施 MyContext，试图把钉钉聊天、企业文档、会议记录和业务数据加工成 Agent 可直接使用的工作上下文。

Agent真正卡在“懂业务”

近来，Agent 的工具调用、任务编排和多步执行能力进步很快，写报告、查资料、改表格、跑代码等任务已逐渐可用。但一进入真实工作流，问题就暴露出来：用户说“把上周讨论的客户方案按最新口径整理成汇报”，人能理解，Agent 却往往不知道“上周讨论”在哪个群、最新口径是哪份文档、哪些结论已经被推翻。

这类信息通常散落在 IM、邮件、文档、会议纪要和业务系统里，还伴随权限、版本、时间滞后和事实冲突。模型能力提升并不会自动带来业务理解能力，企业需要的是一层能把原始数据持续治理、加工并转化为可检索上下文的基础设施。文中提到，Confluent 2026 年调查显示，66% 的企业认为数据基础设施和数据质量拖慢 Agentic AI 落地，80% 的企业把“用好自家数据驱动 AI”列为业务优先事项。

MyContext补上数据加工层

MyContext 的定位不是再做一个聊天机器人，而是为 Agent 准备“可消费的上下文”。这里的上下文，可以理解为模型执行任务时需要参考的背景材料、业务状态、组织规则和历史决策。

在用户授权下，MyContext 可收拢 IM 沟通、文档、会议、协作记录、本地及其他工作数据源的信息，沉淀为动态更新的工作档案。过去需要反复告诉 Agent 的内容，例如你负责什么、常和谁协作、项目最近有什么变化、哪些讨论已经形成结论，都可以被系统化保留下来，并进入后续任务链路。

更关键的是，它没有把这些信息做成不可解释的“黑箱记忆”。每条结论保留可追溯证据链，用户可回到原始聊天、文档或会议记录确认来源；Agent 能看到和调用的信息也受用户与组织权限约束。这使上下文既能被机器使用，也能被人审计和校正。

难点在动态、冲突与成本

企业上下文并不是简单“接入数据”。MyContext 重点处理了几个工程难题：

• 时序数据：迟到消息、旧时间戳的新信息、同一群聊里的不同话题，都可能破坏上下文判断。
• 事实冲突：不同角色对同一事项可能给出不一致说法，最新信息未必等于正确结论。
• 持续更新成本：企业数据不断增加，若每次都全量重算，模型调用、Embedding、去重和归并成本会迅速上升。

针对时间问题，MyContext 不只按时间新旧处理数据，而是给原始信息绑定稳定来源标识；即使时间戳较旧，只要此前未被消费，仍会进入处理链路。它还以对话空闲间隔划分 Session，让切分更接近真实交互节奏，并通过滑动时间窗聚合证据，让反复出现的事实转化为置信度信号。

针对事实冲突，它采用“三态合并机制”：一致信息增强置信度，补充信息并入既有结论，真实冲突则同时保留多条事实并下调置信度；人工确认过的结论拥有更高优先级，不会被后续模型自动覆盖。这样，Agent 能区分哪些事项已经达成共识，哪些还在变化，哪些需要人决策。

针对成本，MyContext 强调增量计算：能用本地规则处理的先处理，关系模糊、规则无法判断的再交给模型；已计算结果尽量复用，多次更新批量触发，并结合版本缓存和分级降级减少重复计算。

从个人上下文到组织协作

从行业看，海外厂商也在解决企业上下文问题。Palantir 用 Ontology 统一企业对象、关系和业务逻辑；Glean 强调 Enterprise Graph，把人、项目、文档和业务实体连接起来；微软依托 Microsoft Graph 与 Copilot Connector 接入企业数据、权限和协作关系。路径不同，但目标一致：让 Agent 在进入核心流程前，先理解组织数据、关系和规则。

MyContext 的特殊之处在于，它更强调把异构、强时序、持续变化且可能冲突的原始业务数据，稳定加工为 Agent 能直接消费的 Context。文中还提到，钉钉覆盖超 2000 万企业组织、近 8 亿用户，可作为企业协作数据入口；千问办公则在上下文治理层承接加工，Agent 层再消费高质量上下文。

行业点评

Agent 走向企业生产环境，竞争焦点正在从“谁的模型更会回答”转向“谁能安全、持续、低成本地理解企业现场”。MyContext 的价值不在于替代模型，而在于补上模型与真实业务之间的数据加工层。若这类基础设施能与权限、审计、数据治理和企业系统稳定结合，企业数据将不只是可查询资产，还会成为可参与任务执行的生产要素。接下来，Agent 平台的分水岭可能不只是模型参数和工具数量，而是谁能掌握更可信、更实时、更可追溯的组织上下文。