Context Graph 如何賦能 AI Agents 與 SaaS

兆美元地圖：AI Agents 為何需要 Context Graph

如果你最近花過一些時間瀏覽科技圈的 Twitter，很可能已經注意到一場風暴正在醞釀。這場風暴的中心是 AI Agents，以及被譽為下一個兆美元機會的概念：Context Graph。這代表著組織所缺失的連結組織。

傳統資料庫告訴你發生了什麼，而 Context Graph 則告訴你為什麼會發生。若要讓 AI Agents 超越單純聊天機器人的角色，成為真正的數位員工，它們就必須能在這張圖譜中導航。它們需要理解定義企業運作的細微差異、例外情況與不成文規則。沒有 Context Graph，AI Agents 基本上是在盲目行動，試圖在沒有操作手冊的情況下操作複雜機器。

從以資料為中心的軟體轉向以情境為中心的軟體，是我們這個時代的決定性挑戰。能夠掌握企業決策軌跡的建構者，將掌握下一個十年。這就是為什麼對於部署高階 AI Agents 的企業而言，將 Context Graph 整合至工作流程已不再是可有可無的選項。

SaaS 的巨大悖論與 AI Agents 的崛起

二十年來，矽谷奉行的是「記錄系統」理念。目標是成為資料存在的權威場所。如果你掌握客戶資料，你就是 Salesforce。然而，當我們進入 AI Agents 時代，我們發現了一個悖論：這些系統儲存了結果，卻遺失了過程。

當業務人員以獨特折扣成交一筆交易時，CRM 會記錄價格，卻不會記錄數小時的協商或內部辯論。這些智慧就此遺失。當我們部署 AI Agents 來處理續約時，它們看到的是缺乏歷史脈絡的僵化資料點。這正是 Context Graph 變得至關重要的地方。

如果代理無法理解過去行動背後的推理，就無法預測未來的行動。這促使人們尋找新的基礎設施，讓 AI Agents 使用 Context Graph 作為集體智慧的記憶庫。價值主張正從「記錄」轉向「推理」。

Context Graph 到底是什麼？

你可以將 Context Graph 想像成一張記錄企業內每項決策的地圖。它是「決策軌跡」的活歷史。決策軌跡是人類或 AI Agents 做出選擇時留下的線索路徑，其中包括參考的資料、人員，以及最終的理由。

當你彙整數千條軌跡後，就會得到一個 Context Graph。這讓 AI Agents 能夠查詢企業過去如何處理類似情況，將部落知識轉化為可搜尋、可使用的資產。沒有強大的 Context Graph，你的 AI Agents 仍會受限於結構化表格的狹窄框架。

例如，一項事實可能是提供 15% 的折扣；其情境則是客戶曾遭遇服務中斷。Context Graph 會將這項折扣與事故報告及 Slack 核准紀錄連結起來。運用這張圖譜的 AI Agents，能以過去任何軟體系統都無法達成的成熟度運作。

Context Graph 中決策軌跡的剖析

若要建立強大的 Context Graph，我們必須拆解一項決策的構成要素。大多數企業決策都會受到內部先例影響。AI Agents 需要找出企業打破自身規則的模式。如果企業一貫偏好某種策略，那就是 Context Graph 必須儲存的資料點。

其次，還有市場狀況等外部限制。牛市中的決策與經濟衰退時期的決策截然不同。Context Graph 會捕捉這些因素，讓 AI Agents 理解市場的「氛圍」。第三是人類誘因。了解誰核准了一項決策以及原因，對於 AI Agents 導航內部政治至關重要。

比較：記錄系統與 Context Graph

傳統 SaaS 專注於目前狀態；相較之下，Context Graph 專注於過程。SaaS 使用結構化資料列，而 Context Graph 使用關聯式軌跡。這讓 AI Agents 能將圖譜作為推理基礎，而不只是參考資料。

當這些元素結合後，決策軌跡就會成為訓練工具。新一代 AI Agents 可以透過這些軌跡學習企業情境。這比通用的微調更有效。你正透過 Context Graph，為 AI Agents 提供企業最成功時刻與具啟發性的失敗經驗。

解決部落知識問題

每家公司都有一位「Kevin」，知道系統為何故障，也知道某些客戶為何不喜歡特定方案。這種部落知識是規模化的敵人，也是 AI Agents 面臨的障礙。它們可以遵循正式 SOP，卻仍可能失敗，因為缺少 Kevin 所掌握的不成文情境。

Context Graph 是終於能解決 Kevin 問題的技術。透過使用 AI Agents 觀察工作流程，企業可以系統性地蒐集部落知識。每當人類修正代理時，該互動就會被加入 Context Graph，建立一個經驗的數位孿生。

這項轉變改變了人類的角色。人類成為「情境貢獻者」，負責引導 AI Agents，提供 Context Graph 成長所需的高階推理。這創造了良性循環，讓 AI Agents 變得更加自主，將人類解放出來，投入複雜的策略性挑戰。

技術難題：「兩個時鐘」問題

建立 Context Graph 是一項龐大的技術工程。其中一個問題是「兩個時鐘」問題。傳統軟體專注於狀態時鐘——世界現在的樣貌。然而，AI Agents 需要事件時鐘；事件時鐘關注的是導致目前狀態的一連串事件。

對代理而言，客戶三次更改地址是重要的風險訊號。如果你只有狀態時鐘，就會遺失這項情境。真正的 Context Graph 需要能同時處理兩個時鐘的系統。AI Agents 正好能擔任事件時鐘的記錄者，記錄每一個推理步驟。

這需要一種針對圖譜關聯最佳化的新資料庫架構，也需要大量運算能力。將這些資料流處理成連貫的 Context Graph 代價高昂，這也是執行 AI Agents 的成本成為現代新創公司關鍵因素的原因。

智慧經濟學與 GPT Proto

持續為 Context Graph 記錄資料的一整支 AI Agents 團隊，需要大量資源。每個「思考」都涉及一次 LLM 呼叫，成本會不斷累積。對許多人而言，自主工作團隊的夢想受限於 AI Agents 所需 API token 的費用。

這正是 GPT Proto 發揮關鍵作用的地方。如果你正在建構 AI Agents 來填充 Context Graph，很可能會使用 GPT-4o 或 Claude 等多種模型。GPT Proto 提供統一介面，並可將成本降低最多 60%。當 AI Agents 必須記錄每一條決策軌跡時，這項折扣就是可行企業與無底洞之間的差異。

由於 Context Graph 是多模態的，能以單一存取點使用文字、影像與影片模型，將帶來突破性改變。GPT Proto 讓 AI Agents 能將任何格式的資訊整合至組織地圖中，不必面對不相容 SDK 或多個計費帳戶的阻礙。

為何既有業者難以應對 Context Graph

你可能會想，Salesforce 或 Snowflake 為何不做這件事？這些巨頭是自身成功的受害者。它們的架構圍繞狀態時鐘打造，並針對資料列進行最佳化。若要為 AI Agents 建立 Context Graph，它們就必須從根本上重新思考軟體；但面對數千家既有客戶，這十分困難。

既有業者也受困於資料孤島。Context Graph 只有跨越整間公司時才真正有用。AI Agents 不在乎資料孤島，它們會穿梭其中。打造 AI 原生工作流程的新創公司，從第一天起就能設計跨整個組織捕捉情境的系統。

老一代將軟體視為供人類記錄工作的工具；新一代則將 AI Agents 視為工作者。如果軟體就是工作者，它也必須成為見證者。從記錄到見證的轉變，正是 AI Agents 需要 Context Graph，才能真正在企業中成功的原因。

AI 原生創辦人的三條道路

關注 AI Agents 的創辦人，可以採取三種策略來掌握 Context Graph。第一種是垂直取代：打造傳統系統的 AI 原生版本，讓 Context Graph 成為工作產出的主要副產品。這種做法積極進取，但能完整掌握整個品類。

第二條道路是模組化滲透。專注於由部落知識主導的高價值工作流程，例如法律合規。透過建構處理這些任務並記錄軌跡的 AI Agents，你可以成為該部門不可或缺的 Context Graph 層，而不必取代整套系統。

第三種是水平協調層。目標是為整間公司建立持久層。你建構基礎設施，讓所有 AI Agents 共用統一的 Context Graph。你將成為組織的「大腦」，提供其他工具所需的記憶與推理能力。

Context Graph 的人性面

有些人擔心，將部落知識轉化為 Context Graph 會使人類變得無用。如果 AI Agents 無所不知，員工將何去何從？然而，Context Graph 能捕捉我們做過的事，卻無法捕捉我們「應該」做什麼。AI Agents 是先例的專家，而不是願景的專家。

將以先例為基礎的工作交給 AI Agents 後，人類便能專注於以願景為基礎的工作。當例行決策由理解 Context Graph 的系統處理時，人類不必再充當活字典。他們可以專注於倫理與創新——這些是圖譜無法複製的事物。

Context Graph 其實讓工作更具人性。人類不再像機器一樣遵循僵化 SOP，AI Agents 會適應我們。科技不再是障礙，而是由組織集體記憶驅動的夥伴。

案例研究：續約代理與 Context Graph

想像一家管理數千筆續約業務的軟體公司。傳統上，CSM 仰賴直覺與零散筆記。現在，想像他們部署了 AI Agents。其中一個代理看到某個客戶帳戶狀況良好，但 Context Graph 顯示主要聯絡人最近已跳槽至競爭對手。

Context Graph 也顯示，多年前曾有一條決策軌跡指出，忠誠度抵用金曾阻止客戶轉換。掌握這項資訊後，AI Agents 不會寄出標準電子郵件，而是標記該帳戶，並根據該先例提出策略建議。AI Agents 透過在幾秒內導航 Context Graph，挽救了一個價值數百萬美元的客戶帳戶。

這就是圖譜的力量。它不只是速度，更是智慧。當 AI Agents 能將企業完整的歷史經驗帶入每次互動時，經濟影響將極其驚人。透過 Context Graph，我們正看到效率與大規模個人化程度大幅提升。

兆美元機會

最成功的科技企業總是會創造新的基礎層。在 2020 年代，這個基礎層就是由 AI Agents 驅動的 Context Graph。這是一場兆美元競賽，因為它觸及經濟的每個層面。最先繪製情境地圖，並將其交到 AI Agents 手中的企業，將擁有無可匹敵的優勢。

可觸及的市場包括專業服務與人力勞動。如果 AI Agents 擁有資深經理的 Context Graph，就能完成初級分析師的工作，創造的價值將十分可觀。我們正走向「智慧即服務」的時代，而圖譜就是核心資產。

對開發者而言，訊息十分明確：基礎設施必須為 AI Agents 做好準備。你需要 GPT Proto 提供的可負擔模型，以及能處理 Context Graph 的架構。地圖正在此刻繪製，而 AI Agents 已準備開始探索。

結論：未來屬於情境化

我們正走出資料為王的時代，進入 Context Graph 無所不在的時代。記錄系統正被降格為檔案櫃，讓位給更具動態性的 Context Graph。AI Agents 則是催化劑，同時擔任這種全新組織智慧的創造者與使用者。

透過捕捉決策軌跡，AI Agents 讓我們得以建立比任何資料庫都更強大的數位記憶。這項轉變將創造新的巨頭，並改變工作的本質。對於解決部落知識問題，並為其 AI Agents 運用可負擔模型的人而言，回報將無窮無盡。Context Graph 就是未來，而代理正引領我們前行。

---