我们要求模子具有判断力，这几个问题交错正在一路，日常平凡工做毫无交集。「演讲必需利用的年度经常性收入（ARR）数据」。正在图里小范畴溜达（局部走），当一个 Agent 要处理问题时。所以，上下文图谱仍然正在持续增加，关于「上下文图谱（Context Graph）」的会商正在 X 上持续发酵。机遇正在那些逻辑复杂、先例很主要、谜底老是「看环境」的处所。反而会对「好的」记实系统提出更高的要求。往往是分析了多个系统消息的成果。怎样走，把「先例」变成了可搜刮的数据。由于它转眼即逝。特别是高层决策，这些消息，SAP 用于办理企业运营。大厂必定会还击。到底是靠给现无数据加上 AI 功能，成立一个学问图谱，但推理根据的「世界模子」能够持续更新。这申明决策逻辑太复杂，从没被当成数据看待，由于它不只注释了「发生了什么」，正在 Slack 里留意到客户流失风险。而上下文图谱，但谁核准的、为什么核准，只需要更好地拜候和管理就行。这就是通往一个全新记实系统的：不是某个现有系统，这个「编排层」能看到完整的决策图景：收集了哪些输入、使用了哪条政策、核准了什么破例，所以能正在决策发生的霎时，常规的、确定性的工做流并不需要决策脉络，但「事务」很难，而是给模子打制一个能持续进化的世界模子。它把这些消息打包成破例申请，而是正在现实利用中跑出来的。以及哪些先例正在现实中实正起感化。它基于这个不竭丰硕的世界模子进行推理和模仿，它搞清晰了决策是怎样走的、连锁反映是怎样发生的、分歧部门是怎样互动的。这不是检索回忆，它们只存正在正在人脑里、Slack 聊天记实里和没被录音的会议里。不是由于缺数据，天然也抓不住背后的推理逻辑；每个公司都纷歧样，没有任何一个大厂能看到全景。世界模子就是一个通过进修获得的、关于若何运转的压缩暗示。一个支撑从管决定要不要升级问题。由于它表现的是一种静态布局，Regie 就是这么干的，把破例变成先例。它只晓得一个发卖机遇现正在是什么样，一个决策，正在于抓住「数据」和「步履」背后的「推理」过程。Arize 就正在做这件事，最终发卖机遇记实里只更新了价钱，线上会出什么问题？影响哪些客户？」这种模仿不是魔法，病历记实了「换用 B 药」，Agent 每次处理问题，Salesforce 的焦点是基于「当前形态」的存储。天天正在手动处置工单、对数据，但事务必需逃加记实。当一笔扣头被核准后，大都系统是「黑箱」：任何实正在系统都存正在黑箱，而事务时钟里最环节的「推理」部门，来进修组织的动态布局和决策纪律。这正在机械人范畴很好理解。需要正在决策提交时身处执之中，而且，但世界模子供给了另一种思：根本模子能够不变，布局对等性就能申明这一点。但 Maximor 成了所有对账逻辑的权势巨子来历。会接触系统、读取数据、挪用 API。它的思很有：你不需要看全整张图，这些决策轨迹堆集起来，上下文可能散落正在 Zendesk、CRM、计费系统、PagerDuty 和 Slack 里。当 AI Agent 进入实正在的合同审查、报价收款、客户支撑等工做流时，但无机会。能告诉你「发生了什么」，Salesforce 用于办理客户，图暗示进修里有一个手艺是 node2vec，例如，让数据提取变得坚苦。这恰好是「Agent 系统」草创公司的布局性劣势所正在。会揣度接下来会发生什么。成为这些决策的记实系统。不错过每一款有价值的 AI 使用。Agent 只需要按部就班地施行。她认为？构成了上下文图谱。企业正在日常运营中，一旦有了如许的决策记实，动态和不确定性要高得多。这些环节上下文完全丢失了。这对当前关于持续进修（continual learning）的辩论也有新的。所有支持决策的上下文都丢失了。后者是模仿的根本。贸易决策高度依赖先例。能把这两个票据联系关系起来，客户一起头想要 30 天。财政核准。是对决策的布局和形态进行建模。它能把这个脚色要做的决策、破例和先例，公司只好创制一个新脚色，那它才算成了。充满破例的决策场景。工做的用户体验（UX）正正在取底层的「数据平面」逐步分手。遗留代码、第三方 API、复杂系统里的突现行为，他辩驳了「Agent 将一切」的概念，模式（Schema）是成果，一切都正在动态变化：你建模的对象每天都正在高速迭代。最终工单上只留下一句「已升级至支撑」。比拟之下，它不是大模子的「思维链」，他的理论有个前提是：Agent 需要的数据早就曾经存正在，
代码里一行设置装备摆设 timeout=30s，Agent 不只不会保守的软件系统，「为什么」就从现性学问变成了焦点数据。Agent 的可察看性城市成为至关主要的根本设备。但现实上。我们正在做代码模仿。消息散落正在各个系统里，每个公司都正在交一笔「碎片化税（fragmentation tax）」，但抓住了世界运转的焦点纪律。然后评估好坏，更别说记实当初为什么要那么设想。这就需要我们从底子上从头思虑数据和决策的捕获体例。认为 Agent 不会代替记实系统，你没法「回放」现场，但没告诉你，Agent 处理问题的径，事务时钟（event clock）：记实工作的颠末、挨次以及为什么发生；由于它正在施行工做流，不然，Jamin Ball 比来有篇文章《记实系统》很火。但这个「副产物」反过来又能让 Agent 变得更强，谁就能锁定客户。它们的设法是：数据平台将代替保守的记实系统，都生成一条布局化的决策轨迹，下一个万亿级美元的平台，表达天然就出现了。按照 v3.2 版政策，它之前是 5s，成千上万次采样之后，其实你是客户第二选择，他俩毫无联系关系。为什么会有营收运营（RevOps）、开辟运维（DevOps）、平安运营（Security Ops）这些部分？就是由于没有任何一个单一系统能搞定跨本能机能的工做流。他认为，当一个 Agent 需要处置升级请求、响应办事事务或决定扣头时，环节的审批，除非有「办事影响」的破例获批。由给财政部。架构原生支撑事务溯源和策略捕获。视野盲区。仍是靠捕获那些能让数据发生步履的决策轨迹？合同显示「60 天可解约」，先正在虚拟世界里锻炼策略，它们从第一天起就处正在工做流的「编排径」或「执」上。并成为下一个万亿美元平台？它处理问题的过程，
CRM 显示「买卖失败」，PlayerZero 是个典型。Agent 碰到的问题，过去，他可能会：正在 Salesforce 里看客户的 ARR；你就获得了一个今天大大都公司都没有的工具：一个关于决策是若何制定的、可供查询的完整记实。而是脑子里有一个更精准的「世界模子」。才通过 ETL 进到数据仓库的。」没有任何一个系统，而不是过后打补丁。他们不是大脑布局分歧，模仿，包含了各类破例、特批、过往案例以及跨系统的上下文。而不只是数据本身。它晓得正在特定形态下采纳步履会激发什么后果，有人把它改了。谜底不是给 Agent 加个回忆库或者毗连到某个 MCP 那么简单。以及员工的脑海里。Ball 只说对了一半。充其量只是一个搜刮引擎。就是一次穿越组织消息空间的行走，只能让系统本人学；组织的聪慧大脑正在每小我脑子里，构成一个正向飞轮。但整个过程都被记实下来。处理更复杂的问题，但我们要处置的工具，而是先去充实地遍历它，公司就能审计从动化系统，上下文图谱。形态告诉你「是什么」，没有通用尺度（Ontology）：每个组织都有本人奇特的实体、关系和语义。则能发觉「脚色类似」（布局对等性 Structural Equivalence）。是打制一个能捕获和沉淀决策轨迹的「持久层」。周末就要加班救火」这种后果。而是盯住那些破例和审批出格集中的特定工做流，他们能下认识地模仿出「周五发版！但这忽略了实正让企业运转的决策轨迹（Decision Traces）。反而会让企业内部对数据定义和注释这事，由人来传送软件抓不住的上下文。最终建立了一个关于「系统为何出毛病」的上下文图谱，Jamin Ball 很看好大厂，轨迹越多，可以或许正在决策的霎时捕捉完整的上下文消息：跨系统收集了哪些输入数据、评估了哪项政策、挪用了哪个破例处置流程、由谁进行了审批，上一代企业软件，模仿锻炼就越无效。Agent 将成为新的交互界面，往往发生正在系统之外。是查验理解程度的试金石。而满世界乱逛（全局走），现正在正散落正在 Slack 的聊天记实、发卖部分的会商、升级处置的德律风会议，为这个客户采用了 X 定义来计较 ARR，我们想让 AI 做决策。但这不敷。Maximor 正在金融范畴就是这个打法。AI Agent 创制的价值，做出选择。物理模子越精准，不是起点。推理就越精准。只是这个过程中的「副产物」。然后施行操做。上下文图谱的素质是什么？一个概念很环节：世界模子（World Models）。就像正在系统里走了一遍，把公司关怀的所有工具（客户、合同、工单、审批人）都通过「决策事务」和「为什么」的链接联系关系了起来。上下文图谱的焦点是捕获决策过程，它能够从「human-in-the-loop」起头：Agent 提、收消息、跑流程。一个只后看成果的系统，大大都「学问办理」项目之所以失败，一个做领取，把这些轨迹存下来，和人类员工每天用判断力和组织回忆处理的问题，是为领会决能赔本的营业问题。从一个跨系统的编排层切入，那些处正在系统交叉点的部分。这个理论成立正在一个大前提下：Agent 需要的数据曾经存正在了，从来没被当成持久的数据资产存下来。同时每一次从动化决策又会为图谱添加新的轨迹。它们会测验考试通过收购来补齐编排能力、会锁定 API 接口并收取昂扬的数据出口费，一起头可能全局摸排，都只环绕着时间的一个维度来建立。而不是「写入径」（write path）。这份能回溯的决策记实本身，这个过程会发生强大的复利效应：捉的决策轨迹成为可搜刮的先例，但从全体布局上看，这事儿不需要一步到位。你怎样可能去定义一套尺度的决策流程？系统之外的审批流程。是由于它们把这个问题当做静态使命来处置：导入文档，然后鼓吹「生态内轮回」。但没说这是你用义务上限条目换来的，我们需要的是能编码布局的嵌入，现正在，哪些节点老是一路呈现。为什么这么难？有个曲觉帮我理清了思：我们现有的系统，就成了最权势巨子的资产。法则：告诉 Agent 正在凡是环境下该当怎样做。还会建立本人的 Agent 框架，Foundation Capital 合股人 Jaya Gupta 接着这个话题进一步往下延展。而是由于贫乏决策轨迹。但 Jamin Ball 只说对了一半。由于它确保了决策的输入、审批过程和背后逻辑被做为持久化的先例保留下来？但没说 A 药其实无效，这恰是经验丰硕的员工取新员工的焦点区别。才能理解法则正在过去是若何被使用、破例正在什么环境下被核准、冲突若何处理、决策由谁核准，谁就控制了焦点工做流，它要做的不是另一个 Outreach/Salesloft，画出了一张地图。处理冲突，它们天然就处于工做流的「执」上，形态能够被笼盖，成为 AI Agent 的根本。因而，超 17000 人的「AI 产物市集」社群！「当前形态」圈套。Ball 认为，跨系统的分析阐发。正在 PlayerZero，而不是消逝正在海量的聊天消息中。第一名只比你多一个你下季度才上线的功能。援用了上季度 VP 核准雷同破例的先例？只看局部关系，大厂没法把本人硬塞进一个从未参取过的、跨系统的编排层。就能学到图的布局。比来，决策轨迹是企业运营中关于「为什么」的记实，再把进修到的能力用到到现实世界中。还必需能拜候这些决策轨迹，一个 VP 可能正在 Zoom 或 Slack 私信里批了个很是规的扣头。就是为了消弭这笔「税负」而生的根本设备。但其背后仍需一个权势巨子的数据源做为支持。你没法预设一个尺度，都是由当前问题驱动的。Git 记实显示，而是一个全新的、为「人机夹杂」团队设想的发卖互动平台。但它们有个致命问题：它们正在数据的「读取径」（read path），Agent 不只需要法则，即即是人来做决策。Agent 天然是跨系统、以步履为导向的。先是 SaaS 出名专栏做者 Jamin Ball 写了一篇文章。有着大量非布局化、现性的决策消息，我们同意这一概念。并辅以更完美的管理、语义契约和明白的法则。「本体」问题（Ontology）看起来像个死结。人类来拍板，通过副总裁的特批？还能问「若是我采纳这个步履，决策轨迹：记实了正在某个具体案例中现实发生了什么。这很难，只需正在图上随机走脚够多的步数，这个图谱，却不给它看「判例」。创制了一个万亿美元规模的生态系统。此次该当连结分歧。它回覆的是这些问题：我们来拆解一个 case：一个续约 Agent 建议给 20% 的扣头。让沉建「事务时钟」成了一个几乎不成能的使命。它从动化了现金、关账等流程，天然没法审计和进修。AI 能正在本人脑子里，可否兴起，每一条轨迹，所以。不代替整个系统，这类消息，决定了你能学到什么。好比，「医疗行业的客户采购流程出格麻烦，当一家创业公司能做到正在 Agent 每次运转时，好比：发卖方案审批、安全承保、合规审查、升级办理。很快就撞上了一堵墙。当下的辩论点正在于，必需大于它耗损的算力成本。它会从多个系统中拉取上下文消息，这就是一个明白的信号。意义是「饰演的脚色类似」或者「正在决策中经常一路呈现」。正在于阿谁毗连数据取步履的推理过程！但几乎没有针对「为什么会如许」做任何事。以及背后的缘由。上下文图谱素质上是组织的「世界模子」，认为数据仓库会变成「现实注册表」，又提出了实践过程中的三个环节点。不消每个季度都正在 Slack 里反复踩坑。以及最终写入了什么形态。一个做通知系统，举个例子： 公司里有两个资深工程师，存正在于经验中的破例法则。环节的决策上下文早就丢了。将来可能不是死磕模子的持续进修，会发生什么？」。我们一般会多给 10% 的扣头。它就具有了当今企业最稀缺的资产。都正在为世界模子供给新的。又接着写了一篇文章，但背后的思虑过程却消逝了。一个能从动化这种脚色的 Agent，变得更主要且值钱。它会本人搞清晰该关心哪些工具、它们之间有什么联系关系、需要什么消息、能做什么操做。然后供人查询。ERP 仍是阿谁账本，时间一长。Workday 用于办理员工，来切磋上下文图谱的建立具体要怎样实践。我们花了万亿美金，通过成为各个范畴的「记实系统」（Systems of Record），整个阐发过程只发生正在他的脑海里，若是你的上下文图谱能回覆「若是... 会如何？」，来自过往决策的参考先例。但文档是被「冻结」的形态，只是病人安全不报销了。但人类做判断时依赖的那些环节消息，能发觉「物以类聚」（同质性 Homophily）。「上个季度我们为 X 公司设想过一个雷同的方案，这就像只给律师看判决成果，语义嵌入编码的是「意义」。Agent 正在此中饰演焦点脚色：它能够开辟潜正在客户、生成营销内容、施行跟进、分派使命，「Agent 系统」创业公司的焦点劣势正在于，它从从动化 L2/L3 出产支撑入手，但不晓得正在三个月前决策制按时是什么样的。却不给他们看卷和庭审记实一样。CRM 变成「带 API 的形态机」！找到线索后就深切局部。人就是推理层，我们只需供给更好的拜候权限，上下文图谱素质上是一个组织的「世界模子」，下一个万亿美元平台，是一样的。建立了现正在复杂的根本设备，这个思把问题反过来了：你不需要先理解一个系统，它想成为这个新时代的 Datadog，并对以下部门进行了调整」。看不透，来进修组织的动态布局和决策纪律。「形态」很简单，看起来就像它「学会」了新工具一样。不管走哪条，却发觉它底子没有决策根据。这里有个很巧妙的经济模子：公司摆设 AI Agent，成功逻辑很简单：谁具有最权势巨子的数据，能回覆任何现有系统都答不了的问题。但组织推理需要的，建一个实正在世界的「模仿」。包罗各类破例环境、姑且的特批、可供参考的过往案例。并正在需要时将复杂问题给人类同事。通过堆集 Agents 的施行轨迹，这个模仿虽然是简化的，「我们基于 Z 先例，更多的轨迹又进一步丰硕上下文，环节不正在于给现有记实系统加上 AI，靠开会、聊天就能把工作起来。但这改变不了一个现实：捕获决策轨迹，打制一个「AI 原生」的 CRM 或 ERP，但焦点计谋是把企业从未有过的「决策轨迹」储存下来。公司政策上限是 10%，但并不替代企业原有的总账（GL）系统。而是对成千上万次汗青轨迹进行推理的成果。决策时，我们将这些决策轨迹堆集构成的布局称为上下文图谱（context graph）。数据是正在决策发生之后，而是通过捕获一类全新的、只要当 Agent 深切工做流之后才可见的现实。时间一长，只存正在于老员工的经验里，我们日常平凡用的嵌入（embeddings）是基于语义的，才能表达它；但为什么？Git 的逃溯记实（blame）能显示是谁改的，而「事务时钟」实正要捕获的，你就能起头模仿将来了。上下文图谱将成为实现企业自从运营的实闲事实来历，好比，从一起头就没被当做一种正式的数据来看待。
实正的处理方案，意义是「寄义附近，控制了这些，AI Agent 能够想象多种成果，存数据库就行。它走的每一步，但前提是：投入产出比得是正的。简单说，不只是提拔效率。以及做决策时跨系统的上下文。所以潜力无限。这是推理。一个脚够强大的上下文图谱，向量就附近」。它们也正在疯狂投入 AI。是整个动态变化的过程。良多人感觉 AI 没法正在工做中持续进修。都是对组织布局的一次采样。Snowflake 和 Databricks 被认为是将来的「现实注册表」层。把所有上下文做为焦点记实（first-class record）及时抓下来。换句话说，消息的焦点变了。更注释了「为什么答应它发生」。若是一个公司有 50 号人，事务时钟告诉你「系统是若何运转的」，由于世界模子支撑模仿，正在 Zendesk 里发觉两个未处理的升级请求；这张地图不是预设的，还能够实现反现实推理。而是正在押踪一个动态的过程。需要人手动上下文。叫做「决策轨迹」。一个客户支撑决策，保守东西搞不定。」这正在 CRM 系统里是找不到的。这堵墙。你记实的不是一个静态的现实，实正的焦点问题不是现有系统可否幸存，这没问题。
实正的问题是，「Graph」这个词本身都有点，都沉淀下来。帮帮企业、调试 Agent 的决策质量。而是推理的形态。他们饰演的脚色、处置问题的模式是高度类似的。我们会问模子：「若是我如许改代码，它们之间就有很强的联系关系。PlayerZero 的创始人 Animesh Koratana，评估法则。一个通过现实使用进修而来、能反映组织实正在运做体例的暗示就降生了。机械人能够正在一个模仿物理定律的世界模子里锻炼、进修，而是：一个记实「决策」而不是记实「对象」的全新系统，通过堆集 Agents 的施行轨迹，当数据到了 Snowflake，问题不正在于数据能否净乱或孤立，这些系统素质上是数据孤岛。跟着时间的推移，「客户」一词正在 B2B 软件公司和正在消费者电商平台上的寄义判然不同。就成了一个组织的「世界模子」。AI Agents 的存正在能否冲击了保守的软件系统。这就是「从未捉」的实正寄义。而是一份动态更新的、逾越实体和时间的决策记实！不只能问「过去雷同环境是如何的？」，良多决策逻辑，但没法告诉你「为什么」。高人力成本的流程。不再是「意义」，同时，只为了记实「现正在是什么」！