上下文作为基础设施:拆开字节 VeKnow 的工作上下文工程
上下文作为基础设施:拆开字节 VeKnow 的「工作上下文」工程
原文:字节跳动数据平台 Data+AI《知识引擎 VeKnow 上下文工程:让 AI 更懂你的业务、你的团队和你》(2026-11-19)
本文是基于原文的独立解读与延伸思考,不是原文复述。凡属原文陈述,我会明确标注;凡属我的判断,我会写明"我的理解/我的判断"。文中图片转存自原文图床,版权归原作者所有。
先讲一个我自己的观察。
过去两年,“上下文工程”(Context Engineering)这个词从工程师圈子里冒出来,到现在几乎成了 Agent 领域的口头禅。但仔细看,大家说的其实是两种完全不同的东西:
一种是提示词层面的上下文工程——怎么组织 system prompt、怎么压缩历史、怎么控制 token 预算。它关心的是"这一轮对话里,往窗口里塞什么"。我此前写过一篇《上下文不是历史》,讲的就是这层。
另一种是数据层面的上下文工程——怎么把散落在企业各处的信息,预先整理成一种"随时可供 Agent 调用的背景"。它关心的是"在对话发生之前,那些该被知道的事情,有没有被整理好、存下来、能追溯"。
字节这篇 VeKnow 的文章,讲的是第二种。而且是我目前看到把第二种讲得最系统的一篇。
我的核心判断是:这篇文章真正提出的东西,不是一个新的 RAG 产品,而是试图把"上下文"变成一种企业数据基础设施——一种介于原始数据与知识库之间、此前没有被明确定义过的数据形态。 它叫"工作上下文"(Working Context)。
这个判断如果成立,那么它对 Agent 落地的意义,比"又多了一个知识库产品"要大得多。下面我拆开来讲。
一、问题定义:Agent 缺的不是能力,是"这件事的前因后果"
原文开篇举的例子很精准,我几乎原样复述一遍:
你让 Agent 准备一份客户项目汇报。它找到了项目方案,写出了目标、实施路径、交付计划,看起来很完整。但你读完发现——一个需求已经在群里被取消了,一项里程碑在周会上调整过,还有一个现场问题正在处理中。这些变化都没进入汇报。
原文把这个落差概括为一句我觉得很到位的话:“它能理解你交给它的材料,却不一定掌握这件事的前因后果。”

原文随后列了四种日常表现,我认为这是全文最值得记住的一段,因为它把问题从"AI 不够聪明"重新定义成了"信息没有形成背景":
- 每次布置任务,都要重新交代背景;
- 查到了资料,却没有还原最新进展;
- 总结看起来完整,工作却对不上;
- 团队在协作,信息却没有形成共同背景。
我的理解: 这四句话描述的其实是同一个根因——信息是散点,但工作是连续的过程。 Agent 拿到的是散点(一份文档、一条消息、一次会话),而真实的工作是一条有前因后果的脉络。把散点还原成脉络,这件事过去是人脑在做(所以才要"找人补信息"),现在 VeKnow 想把它系统化。
这里有个措辞差异值得注意:原文说"Agent 很聪明,为什么还需要我们反复交代"。这个反问其实偷偷设定了一个立场——问题不在模型能力,而在信息供给。这个立场我是认同的,但它也决定了后文所有的方案都指向"数据侧"而非"模型侧"。认清这一点,才能看清这篇文章的销售主张和技术主张分别在哪里。
二、核心概念:什么是"工作上下文"
原文对"企业上下文"做了一个范围收窄:广义的企业上下文包括产品知识、制度流程、组织信息、业务数据,以及文档、消息、邮件、会议记录;本文聚焦的是**“动态事项上下文”**——随工作不断变化、与日常任务直接相关的那部分。
它给出的定义是:
上下文工程,是将这些分散信息组织成可持续更新、按任务提供、能够追溯依据的背景。它不是把所有数据塞进模型,也不只是更长的提示词。
我的判断: 这个定义里有三个关键词,每一个都是对"朴素 RAG 做法"的明确否证——
| 关键词 | 否证了什么 | 对应的朴素做法 |
|---|---|---|
| 可持续更新 | 否证"一次性索引" | 文档切块入库后就再也不动 |
| 按任务提供 | 否证"全量塞入" | 把所有相关资料一股脑拼进 prompt |
| 能够追溯依据 | 否证"生成即答案" | 结论没有来源,错了无法纠正 |
这三条恰恰是我在上下文工程那篇文章里强调过的原则在数据层的翻版:上下文不是历史,不是越多越好,而且要可测量、可回溯。 VeKnow 把它做成了一个数据产品的约束,这是我认为它比一般"企业知识库"更进一步的地方。
2.1 知识编译:从散点信息到工作脉络
原文提出的核心机制叫"知识编译"(Knowledge Compilation)。它的描述是:从原始资料中抽取有关信息,识别它属于哪个对象、哪项工作,再将相关进展和结论关联起来,持续更新。组织方式是三层结构:
- 工作主线——对应核心目标;
- 工作事项——对应可闭环的一项工作;
- 工作事件——记录其中的讨论、变化和结果。

我的理解: 这套"主线—事项—事件"的三层建模,是全文技术含量最高的想法,没有之一。它解决的是一个很具体的难题:流水账和脉络的区别在哪?
按时间排列消息,得到的是流水账;按"目标—子任务—变化"组织,得到的才是脉络。两者的信息量可能一样,但对 Agent 的可用性天差地别——前者要 Agent 自己从时间序列里重建逻辑,后者直接把逻辑结构交给了它。
这其实是把项目管理领域的方法论(OKR → 里程碑 → 事件日志)搬进了上下文系统。原文也确实把 OKR 系统列为信源之一。我觉得这个类比很贴切:知识编译做的,就是把企业的"沟通记录"重新编译成"项目台账"。
不过这里有一个原文没有展开、但非常关键的问题:编译的粒度由谁定义? “主线—事项—事件"听起来清晰,但落到真实项目上,什么算一条主线、什么算一个可闭环的事项,是有判断成分的。原文说"按照希望 Agent 解决的具体场景编译”,这等于承认了编译规则是场景相关的、需要配置的。这是一个"人定义结构、机器填充内容"的模式——它的质量上限取决于人把结构设计得多好。我在后面「冷思考」一节会回到这一点。
2.2 一个容易被低估的设计:信息状态三分
原文在"同时服务 Agent 与用户"那一节,藏了一个我认为是全文最精妙的设计:信息状态必须分清。

它把工作上下文里的信息分成三态:
- 已确认事实——保留依据;
- 仍在讨论——标明分歧;
- 已被新结论替代——指向新结论。
并且配了一句处理规则:“冲突先核对对象、版本与条件;没有明确替代关系就保留差异,不因消息更晚便覆盖旧结论。”
我的判断: 这一条设计,比整篇文章里任何一张架构图都更能体现作者对真实企业协作的理解。为什么?
因为**“时间戳等于真相"是上下文系统最容易犯的错**。按时间排序取最新,是最省事的做法,也是最危险的做法——周会上一句随口讨论可能比正式方案更新,但它不是结论;一条被撤销的需求在时间上晚于原需求,但需要明确"撤销"这个动作才构成替代关系。原文明确拒绝"因消息更晚便覆盖旧结论”,这说明作者见过这种事故。
这跟上一篇文章里我赞赏的"确定性检索"是同一种工程气质:在 Agent 系统里,最值钱的往往不是让它更聪明的功能,而是防止它出错的约束。
顺带说一句,这个三态设计也直接呼应了我在《上下文不是历史》里讲过的"展示态与模型态必须分家"——这里则是"事实态与讨论态必须分家"。
三、定位之争:工作上下文 ≠ RAG ≠ 本体建模
原文专门用一张对比表,把"工作上下文"与"知识库 RAG 查询""本体建模"区分开。我认为这是全文最该被认真读的一张表,因为它回答了一个绕不开的问题:你凭什么说这不是又一个 RAG?

我把这张表的核心差异提炼成一句话:
| 能力 | 回答的问题 | 我的类比 |
|---|---|---|
| 工作上下文 | 项目进展到哪?卡在哪?上次为什么这么定? | 事情的年鉴 |
| 知识库 RAG | 这个产品参数是什么?这句话出自哪份文档? | 资料的图书馆 |
| 本体建模 | 这个客户关联哪些报价和订单?哪些设备用了这个零件? | 对象的账本 |
原文的说法是"三者协同,不是替代":工作上下文帮助获取目标、进展和风险;RAG 补充产品说明与原文依据;需要核对具体客户、设备或订单关系时,再查本体中的业务对象。
我的理解: 这个"三位一体"的定位是很清醒的。它实际上承认了一个重要事实——没有任何单一的数据形态能支撑一个真实的复杂任务。一份客户汇报需要脉络(上下文)+ 依据(RAG)+ 精确对象关系(本体),缺一层就会在某个环节掉链子。
这让我联想到数据库领域的"多模型数据库"思路:不是一种数据模型打天下,而是针对不同的查询模式选择合适的存储。VeKnow 这里做的是一个更高层的"上下文路由"——Agent 先定位全貌(上下文),再获取事实(RAG/本体),必要时下钻原文。
但这里也有一个我的疑问: 谁来负责"路由"?原文说 Agent 先定位项目和事项,再补充产品知识与原文。这实际上是把"该查哪个系统"的判断交给了 Agent 自己。这跟我在上一篇文章里赞赏的"确定性检索"恰好相反——那里是人事先画好 DAG,这里是让 Agent 自主决定检索路径。这不是对错问题,而是两种权衡:确定性系统可复现但覆盖窄,自主检索覆盖宽但不可控。VeKnow 选了后者,代价是检索质量更依赖模型判断力。 原文没有展开这个问题。
四、L1-L4:把上下文做成分层架构
原文给出了 VeKnow 企业上下文工程的完整分层图,我从下往上读一遍。

| 层 | 名称 | 原文要点 | 我的解读 |
|---|---|---|---|
| L1 | 多源知识接入 | 关联已有知识库、直接接入资料与协作记录(企业知识库、个人知识库、云文档、群聊、邮件、会议纪要、Agent会话),已有知识关联复用不重复复制 | 数据接入层——解决"从哪来" |
| L2 | 上下文空间编译 | 上下文时间线(关键事件·变化记录)、工作焦点(目标·进展·决策·待办)、主题知识Wiki(实体·专题·对比知识);编译规则含增量更新、来源溯源、事实状态区分、编译日志 | 编译层——解决"怎么整理" |
| L3 | 用户阅读与维护 | 我的全域上下文(最近工作、待办浏览、时间线查询、对话式调整、Wiki冲突维护)、团队/项目上下文(近期进展、关键决策、风险、待办);查看来源·更新记录 | 治理层——解决"人怎么核验" |
| L4 | Agent消费与服务 | VeKnow AI 助手(产品内消费入口、上下文问答、时间线与Wiki查询、对话式持续编译)、Agent服务(豆包工作、ManageAgent、三方Agent)、消费规则(定位空间与任务·筛选时间范围/事实状态)、统一服务接口(CLI·Skill·MCP) | 消费层——解决"怎么用出去" |
我的判断: 这套分层最有意思的不是任何单层,而是 L3 的存在。
绝大多数知识库产品只有"接入—检索—消费"三层(对应这里的 L1/L2/L4),把"人"完全放在了消费端。而 VeKnow 专门设了一层"用户阅读与维护",让人能查看来源、发现冲突、修正错误、做 Wiki 冲突维护。这是一个很关键的架构决策:它承认了机器编译的结果会出错,并且把"纠错"做成了一等公民,而不是补丁。
我上一篇文章讲"给 Agent 划边界,本质上是给它建立权责";这里的 L3 是同一个思路在数据层的体现——给自动编译的结果建立人工复核回路。一个系统敢不敢让人类用户看到并修改它的内部状态,是判断它是不是"生产级"的一个很好的试金石。
不过,L3 也带来一个隐忧:如果编译结果需要人持续维护,那它跟人工维护一份 Wiki 有什么区别? 原文提到"对话式调整"和"增量更新",说明它在努力降低维护成本,但维护成本到底降了多少,文章没有量化。这是我后面的批判点之一。
另外值得单说的是 L4 的"统一服务接口:CLI · Skill · MCP"。这个组合我特别熟悉——它和我最近一直在用的技能体系(Skill + CLI + MCP 三件套)是同一套思路。这说明一个趋势:企业数据资产的"最后一公里",正在收敛到"CLI 给脚本、Skill 给编排、MCP 给工具发现"这三种接口形态上。 谁把数据资产做成这三种接口都能消费的形态,谁就能被各种 Agent 调用。VeKnow 的这一步走得很对。
五、三个场景:从团队到个人再到用户
原文用三个场景展示了上下文工程的应用,我逐一说我的理解。
5.1 团队上下文:让共同背景不再靠"找人补"

原文举的 B 端客户交付项目案例很真实:项目经理想了解进展要先翻群聊再找实施同学确认,FDE 不确定最新产品版本是否支持要找产品经理核对,新成员接手要读一堆材料再请同事补背景。
原文有一句话我认为击中了要害:“团队耗费的,不只是找一份文档的时间,还有把资料重新拼成共同背景的时间。”
这句话值得单独拎出来。我们通常估算信息检索成本时,算的是"找到文档"的时间,但真实成本的大头在**“拼背景”**——把 A 说的方案、B 说的进展、C 说的变更拼成一个连贯的理解。这部分时间过去被认为是"沟通成本",无法自动化,因为它发生在人脑里。VeKnow 的目标就是把这部分也系统化。
项目空间的编译内容,原文给了两张表,我觉得信息密度很高:


其中我最欣赏的是编译原则里的两个"不":“不收录猜测、不照抄介绍”,以及**“不按消息堆流水账”**。这两个约束都是负向的,但恰恰是它们保证了编译质量——知识编译的难点从来不是"多写",而是"少写且写对"。
5.2 个人上下文:从"按日期罗列"到"围绕目标串联"
个人上下文解决的是"如何把我每天参与的事接起来"。原文指出,仅按时间汇总消息很容易变成流水账,只记住几个偏好又不足以支撑真实任务——Agent 需要知道一条信息属于哪个项目、与我什么关系、现在是否仍有效。
它给出的个人上下文结构是四块:
- 个人知识与主题 Wiki——回答"以前了解过什么";
- 工作上下文——回答"做到哪一步";
- 任务上下文——保留目标、受众、约束和阶段产物,回答"从哪里继续";
- 个人偏好——明确表达、可跨任务复用的习惯。
我的理解: 这四块其实对应了四种不同的记忆类型,而且和上一篇文章的知识分类有有趣的呼应:Wiki 是陈述性知识(know-what),工作上下文是过程性记忆(know-what-happened),任务上下文是状态记忆(know-where-I-am),偏好是程序性知识(know-how-I-like-it)。一个人要被 AI “懂”,需要的不是一份更长的档案,而是这四类记忆各司其职。
原文给的典型场景也很好:用户说"继续完善上次的客户方案",Agent 先定位任务、获取已确认要求和阶段结果,再查本次所需资料;存在多份候选或关键信息缺失时,向用户确认,不自行猜测。
最后那半句"不自行猜测"我很喜欢——它和团队场景里的"不因消息更晚便覆盖旧结论"是同一种克制。这套系统在反复强调"知道自己不知道什么",这在 Agent 产品里是罕见的品质。
5.3 用户上下文:从回答问题到主动经营
第三个场景跳出了企业内部,讲面向客户的服务。汽车座舱助手的例子:当车辆进入保养窗口,结合已授权的车辆信息、售后记录和用户明确表达的门店偏好,询问"要为您预约一下常去 4S 门店的保养吗?"

我的判断: 这个场景和前两个有本质区别——前两个是"帮员工省事",这个是"帮企业赚钱"。它把上下文的作用从"提升内部效率"扩展到了"主动经营",商业想象空间大得多,但风险也大得多。
原文最后一句很关键:“让 Agent 服务更贴合用户需求,同时把选择权留给用户。”——这句话是一句风险对冲。因为主动提醒一旦越过边界就会变成打扰。原文用"已授权"“明确表达"这两个限定词来划界,方向是对的,但"什么时候提醒算贴心、什么时候算骚扰”,这不是技术问题,是分寸问题。我在冷思考里会再提。
六、冷思考:这篇文章没有回答的五个问题
前面讲了不少认可的话。下面是我自己的保留意见——不是挑刺,是如果真要落地这套系统,你必须自己想清楚的事。
6.1 "上下文"这个词,被用得太宽了
原文从产品知识、制度流程、组织信息、业务数据,一路讲到文档、消息、邮件、会议记录,然后聚焦到"动态事项上下文"。这个范围非常大。问题在于:当你说"上下文"涵盖了几乎所有企业信息时,"做上下文工程"和"做企业数据治理"还有什么区别?
我的判断是:原文本质上在重新包装一个老问题——企业数据治理。它加的新意是"以 Agent 的任务为终点来组织数据",这个视角确实新。但如果把它读成"一个新产品解决所有知识问题",那是误读。它自己也在结尾承认"知识库、本体、工作上下文三者协同,不是替代"——既然要三者协同,那它就不是"替代方案",而是"新增一层"。
6.2 知识编译的成本和准确率,一个数字都没给
这是最大的空白。文章用了大量篇幅讲"知识编译"这个概念,讲了编译什么、怎么组织,但没有给出任何量化指标:
- 编译一条工作事项的平均成本是多少(Token、人工时间)?
- 编译准确率如何衡量?漏掉一条关键决策怎么办?
- 冲突检测的成功率?
- 随着信息量增长,编译延迟如何变化?
上一篇文章我批评过"让人当裁判判断 Agent 输出是否正确却拿不出指标",这篇的空白性质相同,而且更严重——因为知识编译是一个持续的、有状态的过程,错误会累积。一条错误编译进工作上下文,后续所有基于它的检索都会错。
原文提到"编译日志"和"增量更新",说明工程上有考虑,但没有证据。
6.3 "保留差异、不覆盖旧结论"是个好原则,但会推高维护成本
这个设计我很欣赏,但它有一个副作用:冲突信息被保留下来,意味着分歧的消解需要额外的机制。原文说"用户查看与维护"可以治理冲突,那本质上还是把判断推给了人。
一个真实项目里的群聊可能有上百条互相矛盾的说法,如果全部保留差异、等人类来消解,那人工负担可能比"简单取最新"还重。这里需要一个平衡点——什么时候该自动消解、什么时候该升级给人。原文没讲。
6.4 数据隔离和权限,只有一句"独立空间"
个人上下文部分说"个人数据在独立空间中管理,与其他用户的数据保持隔离"。这句话在企业产品里是最基本的合规要求,但写得过于轻描淡写。真实的问题远比"隔离"复杂:
- 团队成员能不能看到别人编译出的个人上下文?边界在哪?
- 团队上下文里包含了个人发言,个人离开团队后这些数据归谁?
- 用户上下文用于主动经营时,"已授权"的颗粒度是什么?一次授权还是每次询问?
这些都不只是技术问题,还涉及组织政策和合规。原文没有展开,我理解是篇幅所限,但落地时这些都是绕不开的。
6.5 它假设了一个"信息卫生"良好的组织
这是我最深的一层疑虑。整套方案有一个隐含前提:企业的原始信息虽然散,但基本是可信的、有明确归属的。知识编译能从群聊、邮件里抽取"已确认事实",前提是群里讨论的东西真的能确认。
但现实中很多组织的信息是模糊的、政治性的、有意含混的。一句"这个事我们再看看"到底算不算否决?会议纪要里写"原则同意"但群里一片反对,哪个是结论?知识编译能把信息组织成脉络,但不能替组织解决"什么算数"这个政治问题。
换句话说,VeKnow 能把散点变成脉络,但它没法保证脉络是对的。它给出的解法是"让人核验"——这又回到了 6.2 和 6.3 的问题。这套系统再自动,也摆脱不了"人要为事实负责"这个根本约束。
七、我的三点感悟
7.1 上下文正在成为一种独立的数据资产类别
过去我们说"企业数据资产",想到的是数据库里的结构化数据、数仓里的指标、文档系统里的文件。这篇文章让我意识到一个新类别正在成型:“工作过程数据”——那些散落在群聊、会议、邮件、会话里的,记录了"事情是怎么一步步变成现在这样"的数据。
这类数据过去被认为是"沟通副产品",没人管、没人存、没人用。VeKnow 做的是给它一个正式的容器(上下文空间)、一套加工工艺(知识编译)、一类消费接口(CLI/Skill/MCP)。当一种数据有了存储、加工、消费的完整链条,它就从"副产品"变成了"资产"。
7.2 好的 Agent 系统,都在做"减法"
这两篇文章连着读下来,我发现一个共同点:上一篇文章里,作者用"确定性检索"和"核心约束"主动限制 Agent 的自由;这一篇文章里,作者反复强调"不收录猜测、不照抄介绍、不按流水账、不因消息更晚便覆盖旧结论、不自行猜测"。
全是在讲"不做什么"。
这让我越来越确信一个判断:Agent 工程正在从"让模型能做更多事"转向"让模型少做错事"。 因为模型能力已经溢出了,真正的瓶颈变成了可信度。一个能自动编译企业上下文、但会编错的系统,价值是负的——它会让人误以为自己掌握了全貌。
7.3 "让 AI 懂你"的终点,是让 AI 知道你不知道什么
原文标题说"让 AI 更懂你的业务、你的团队和你"。读完整篇,我觉得它真正值得追求的不是"懂",而是**“知道边界”**:
- 知道哪些是已确认事实,哪些还在讨论;
- 知道哪些信息有来源,哪些是猜测;
- 知道自己不知道什么,遇到缺口时问人而不是猜。
这比"懂你"难得多,也重要得多。一个真正好用的 Agent,不是那个表现得像全知全能的,而是那个在关键信息缺失时会停下来问你一句的。
VeKnow 在这条路上迈出了明确的一步——它专门设计了信息状态三分、来源可追溯、冲突保留、缺关键信息时向用户确认。这些东西加起来,指向的不是"更聪明的 AI",而是"更诚实的 AI"。
这可能才是上下文工程的真正意义:不是给模型更多知识,而是给它的知识标上出处、状态和边界。