作者： Jaya Gupta | 发布日期： 2025 年 12 月 22 日
原文链接：https://foundationcapital.com/context-graphs-ais-trillion-dollar-opportunity/
上一代企业软件通过转型为“记录系统”（Systems of Record）构建了一个规模达万亿美元的生态体系 。Salesforce 掌控了客户信息，Workday 掌管着员工数据，SAP 则负责业务运营 。掌握了规范性数据（Canonical Data），就掌握了工作流，进而实现了客户锁定（Lock-in） 。
当前的行业争议焦点在于：当范式转向“智能体”（Agents）时，这些传统系统能否幸存 。Jamin Ball 最近发表的《记录系统万岁》（Long Live Systems of Record）一文触动了业界的神经 。他反驳了“智能体将扼杀一切”的叙述，认为智能体并不会取代记录系统，而是为优秀的系统设立了更高的标杆 。
我们对此表示赞同。智能体具备跨系统和动作导向（Action-oriented）的特点，工作的用户体验（UX）正在从底层的平面数据中剥离 。智能体将成为交互界面，但在其之下，依然需要权威的规范化数据作为支撑 。
然而，我们的观点比 Ball 更进一步：Ball 的框架假设智能体所需的数据已存在于某处，智能体只需更好的访问权限、治理手段、语义契约，以及明确各定义优先级（即谁在特定用途中胜出）的规则 。但这仅仅是全景的一半 。
另一半则是驱动企业运行却长期缺失的层面：决策追踪（Decision Traces）。它涵盖了那些目前散落在 Slack 讨论、交易台对话、升级电话以及员工头脑中的例外情况（Exceptions）、人工覆盖（Overrides）、过往先例和跨系统上下文 。
两者的区别至关重要：
- 规则（Rules）：告诉智能体通常该如何操作（例如：“使用官方 ARR 进行报告”） 。
- 决策追踪（Decision Traces）：捕捉了特定案例中的真实发生过程（例如：“我们使用了 X 定义，是在政策 3.2 版下由副总裁特批的，基于先例 Z，这就是我们修改的内容”） 。
智能体不仅需要规则。它们需要访问这些决策追踪，以洞察规则在过去是如何被应用的、例外是在何处授予的、冲突是如何解决的、谁批准了什么，以及哪些先例在真正主导现实 。
这是智能体系统初创公司拥有结构性优势的地方：它们根植于**执行路径（Execution Path）**之中 。它们在决策瞬间能洞察完整上下文：跨系统收集了哪些输入、评估了哪些政策、调用了哪些例外路线、谁批准了申请，以及最终写入了什么状态 。
如果你能持久化这些踪迹，你将获得一个当今大多数企业都不具备的财富：一个关于决策逻辑的可查询记录 。
我们将这些追踪形成的累积结构称为上下文图谱（Context Graph）：它不是模型的“思维链”，而是跨实体、跨时间缝合而成的决策追踪活态记录，使先例变得可搜索 。随着时间的推移，上下文图谱将成为自主运行的真正事实来源——因为它不仅解释了发生了什么，还解释了为什么它被允许发生 。
核心问题不再是现有的记录系统能否生存 ，而是是否会涌现出全新的、针对“决策”而非仅仅针对“对象”的记录系统，并成为下一个万亿美元级的平台 。
缺失的拼图：记录系统的盲区
智能体正步入真实的业务工作流（如合同审查、报价到现金、支持解决），但团队正撞上一堵单纯靠“治理”无法解决的墙 。这堵墙并非源于数据缺失，而是缺失决策追踪 。智能体遇到了人类每天凭借判断力和组织记忆解决的同样模糊性问题，但这些判断的输入并未转化为耐用的数据资产 。
具体而言：
- 深藏人脑的例外逻辑：例如“针对医疗公司，我们总是额外提供 10% 的优惠，因为它们的采购流程极度繁琐” 。这类“部落知识”从未出现在 CRM 中，而是通过入职培训和私下交流传承 。
- 过往决策的先例：例如“上季度我们为 X 公司制定过类似方案，应当保持一致” 。目前没有任何系统能关联这两笔交易，或记录当初方案的选择逻辑 。
- 跨系统的综合研判：支持主管查阅 Salesforce 中的客户 ARR、Zendesk 中的升级记录、Slack 中的流失风险讨论，最后决定升级工单 。这种综合研判只发生在主管脑中，工单系统仅记录了最终结果 。
- 系统外的审批链：副总裁在 Zoom 或 Slack 中批准的折扣 。CRM 仅显示最终价格，却丢失了审批偏离规则的原因及批准人 。
这就是所谓的“从未被捕捉”：并非数据不洁或存在孤岛，而是连接数据与行动的推理过程从未被视为数据本身 。
上下文图谱：持久化的底座 (The Context Graph is the Enduring Layer)
当初创公司为智能体编排层配备了在每次运行时发出“决策追踪”的功能时，它们便获得了一项当今企业几乎从未拥有的资产：一段结构化、可重放的“上下文转化为行动”的历史记录 。
这在实践中具体意味着什么？ 假设一个续订智能体提议给予客户 20% 的折扣 。按照公司政策，续订折扣上限通常为 10%，除非批准了“服务影响类例外” 。此时，该智能体可以自动从 PagerDuty 提取三个 SEV-1 级别事故记录，从 Zendesk 提取一个状态为“若不修复则取消”的升级工单，并追溯上一季度的续订记录——在那份记录中，一位副总裁曾批准过类似的例外情况 。
随后，智能体将这一例外申请路由至财务部 。财务部批准后，CRM 系统最终只记录了一个事实：“20% 折扣” 。
一旦拥有了决策记录，“为什么”就成为了第一等数据。 随着时间的推移，这些记录自然地形成了一个上下文图谱：业务原本关注的实体（账户、续订、工单、事件、政策、审批者、智能体运行）通过决策事件（关键时刻）和“逻辑关联”连接在一起 。公司现在可以审计和调试自主运行逻辑，并将例外情况转化为可遵循的先例，而无需每个季度都在 Slack 里反复学习同样的边缘案例 。
使其产生复利效应的是其中的反馈循环。 捕捉到的决策追踪会变成可搜索的先例，而每一次自动化的决策又会向图谱中添加新的踪迹 。这在第一天并不要求完全的自主化，它可以从“人机协同”（Human-in-the-loop）开始：由智能体提议、收集上下文、路由审批并记录追踪 。
随着类似案例的不断重复，越来越多的执行路径可以被自动化，因为系统已经拥有了一个由过往决策和例外组成的结构化知识库 。即使最终仍由人类拍板，图谱也会持续增长，因为工作流层将输入信息、审批流程和决策理由捕捉为持久的先例，而不是任由其湮灭在 Slack 的对话洪流中 。
为什么现任巨头无法构建上下文图谱 (Why incumbents can’t build the context graph)
Ball 乐观地认为，现有的玩家会演进到这种架构中 。在他的构想里，数据仓库变成了“真相注册表”，而 CRM 则变成了“带有 API 的状态机” 。他的叙述是一种演化，而非替换 。
这对于提高现有数据的可访问性可能有效，但对于捕捉决策追踪（Decision Traces）而言，这行不通 。
运营领域的现任巨头（Operational Incumbents）处于孤岛状态，并且优先考虑“当前状态” 。
Salesforce 正在推广 Agentforce，ServiceNow 推出了 Now Assist，而 Workday 正在为人力的资源构建智能体 。他们的说辞是：“我们拥有数据，现在我们要增加智能” 。
但这些智能体继承了它们母体公司的架构限制 。Salesforce 建立在“当前状态存储”的基础之上：它知道销售机会（Opportunity）现在长什么样，但不知道做出决策那一刻它长什么样 。当一个折扣获得批准时，证明该折扣合理性的上下文并未被保留下来 。你无法重放决策时刻的世界状态，这意味着你无法对该决策进行审计、从中学习，或将其用作先例 。
它们也继承了母体的盲点 。 一个客服支持升级（Support Escalation）并非仅仅存在于 Zendesk 中 。它取决于来自 CRM 的客户等级、来自计费系统的 SLA 条款、来自 PagerDuty 的近期停机事件，以及标记流失风险的 Slack 讨论线程 。没有哪家现任巨头能看到这些，因为没有哪家巨头坐在跨系统的路径上 。
数据仓库玩家面临着一个不同的问题：它们处于“读取路径”而非“写入路径” 。
Ball 将 Snowflake 和 Databricks 定位为“真相注册表”层 。两者都在全力以赴——Snowflake 推动 Cortex 收购了 Streamlit，Databricks 收购了 Neon 并推出了 Lakebase 和 AgentBricks 。其说辞是：数据平台取代了记录系统，并成为 AI 智能体的基础 。
数据仓库确实拥有基于时间的视图。你可以查询历史快照、跟踪指标的变化，并跨周期比较状态 。但数据仓库是在决策做出后，通过 ETL（提取、转换、加载）接收数据的 。等到数据落在 Snowflake 时，决策上下文已经消失了 。
一个只在事后看到读取行为的系统，无法成为决策图谱（Decision Lineage）的记录系统 。它能告诉你发生了什么，但无法告诉你为什么 。
Databricks 在整合这些碎片方面走得更远，但“靠近智能体构建的地方”并不等同于“身处决策发生的执行路径之中” 。
智能体系统初创公司拥有结构性优势：它们正处于编排路径 (Orchestration Path) 之中 。
当一个智能体对升级工单进行分拣、对突发事件做出响应或对折扣方案做出决定时，它会从多个系统中提取上下文，评估规则，解决冲突并采取行动 。编排层能够洞察全貌：即收集了哪些输入、应用了哪些政策、授予了哪些例外情况，以及其背后的原因 。正因为它正在执行工作流，它能够在决策发生的时刻 (Decision Time) 捕捉到这些上下文——不是在事后通过 ETL（提取、转换、加载）处理，而是在那一瞬间，将其作为第一等记录 (First-class Record) 捕捉下来 。
这就是上下文图谱（Context Graph），它将成为 AI 时代企业最宝贵的单一资产 。
传统巨头们将会发起反击 。它们会尝试通过收购来强行嫁接（Bolt on）编排能力 。它们会锁定 API 并收取数据流出费（Egress Fees），从而提高数据提取的成本——这与超大规模云服务商曾使用的套路如出一辙 。它们还会构建属于自己的智能体框架，并极力推销“将一切留在我们的生态系统中”的叙事 。
然而，捕捉决策追踪（Decision Traces）的前提是必须在提交瞬间 (Commit Time) 处于执行路径之中，而不是事后再强行补上治理手段 。传统巨头可以增加数据提取的难度，但它们无法将自己强行插入到一个它们从未参与过的编排层之中 。
初创公司的三条路径 (Three paths for startups)
智能体系统初创公司将采取不同的路径，每条路径都有其自身的权衡 。
第一类：从第一天起就取代现有的记录系统 。 这是一种围绕智能体执行而重建的 CRM 或 ERP 系统，其架构原生具备了“事件溯源状态”（Event-sourced state）和“政策捕捉”（Policy capture）功能 。尽管由于现任巨头地位稳固，这种方式挑战巨大，但在技术转型的关键时刻，它变得具有可行性 。
在众多竞逐 AI SDR（人工智能销售开发代表）类别的初创公司中，Regie 选择构建一个 AI 原生的销售参与平台，旨在取代 Outreach 或 Salesloft 等传统平台 。那些传统平台是为人类在碎片化的工具链中执行序列化任务而设计的 。Regie 则是为混合团队设计的，其中智能体是“第一等参与者”（First-class actor）：它可以寻找潜在客户、生成外联信息、运行跟进任务、处理路由逻辑，并能适时升级转到真人处理 。
第二类：取代模块而非整个系统 。 这些初创公司针对的是特定的子工作流，即那些例外情况和审批流程高度集中的环节 。它们会成为这些决策的记录系统，同时将最终状态同步回现任巨头的系统中 。
Maximor 正在财务领域实践这一模式：它实现了现金管理、结账管理及核心会计工作流的自动化，且无需动摇企业原有的总账（GL）系统 。ERP 依然作为分类账存在，但 Maximor 成为了账目对账逻辑的事实来源 。
第三类：创造全新的记录系统 。 这些初创公司最初作为编排层切入，但它们持久化存储了企业从未系统化存储过的内容：即“决策制定追踪”（Decision-making trace） 。
随着时间的推移，这种可重放的图谱记录将成为权威的凭据 。智能体层不再仅仅是“自动化工具”，而是成为了企业寻找“我们为什么要那样做？”这一答案的地方 。PlayerZero 体现了这种模式 。生产工程处于 SRE（站点可靠性工程）、技术支持、QA（质量保证）和开发之间的交汇处：这是一个经典的“胶水功能”（Glue function），在这一环节中，人类携带着软件无法捕捉的上下文 。
PlayerZero 从自动化 L2/L3 级支持开始，但其真正的资产是它所构建的上下文图谱：这是一个关于代码、配置、基础设施和客户行为在现实中如何互动的活模型 。该图谱成为了解决“为什么这东西坏了？”这一问题的事实来源 。以及“这个改变会破坏生产环境吗？”——这些都是现有系统无法回答的问题 。
智能体的可观察性：新一代基础设施
随着初创公司沿着这些路径前行，智能体的可观察性 (Observability) 将成为至关重要的基础设施 。随着决策追踪的不断积累和上下文图谱的日益壮大，企业将需要在大规模层面上对智能体行为进行监控、调试和评估 。
Arize 正在为这一新一代技术栈构建可观察性层——为团队提供可见性，使其能够洞察智能体如何进行推理、在何处遭遇失败，以及其决策表现如何随时间演进 。正如 Datadog 成为了监控应用程序不可或缺的基础设施，Arize 的定位则是成为监控并提升智能体决策质量的关键基础设施 。
遵循“信、达、雅”的原则，并确保没有任何信息遗漏，以下是针对“创始人的关键信号”及全文总结部分的逐字逐句深度翻译：
创始人的关键信号 (Key signals for founders)
在哪里构建产品的信号虽有重叠，但并非完全一致 。以下有两个信号适用于上述所有三类机会 ：
- 高员工人数 (High headcount)：如果一家公司有 50 个人在手动执行某个工作流（例如路由工单、分拣请求或在系统之间核对数据），这就是一个信号 。这种劳动力的存在，是因为决策逻辑过于复杂，无法用传统工具实现自动化 。
- 例外密集的决策 (Exception-heavy decisions)：常规的、确定性的工作流不需要决策谱系，智能体直接执行即可 。真正有趣的领域是逻辑复杂、先例至关重要，且“视情况而定”才是唯一诚实答案的地方 。可以思考诸如交易台（Deal desks）、承保、合规审查以及升级管理等用例 。
还有一个信号特别指向了“新记录系统”的机会 ：
- 存在于系统交汇处的组织 (Organizations that exist at the intersection of systems)：营收运营 (RevOps) 的存在是因为必须有人来调和销售、财务、营销和客户成功部门 。DevOps 的存在是因为必须有人架起开发、IT 和技术支持之间的桥梁 。安全运营 (Security Ops) 则坐落在 IT、工程和合规职能的交汇点上 。
这些“胶水”职能 (Glue functions) 就是一个明显的迹象 。它们的出现恰恰是因为没有任何一个单一记录系统能掌控跨职能的工作流 。组织架构图通过创造一个角色，来承载软件无法捕捉的上下文 。
自动化该角色的智能体不仅仅是让执行步骤变得更快 。它可以持久化那些为了产生决策、例外和先例而专门创造该角色时所产生的价值 。这就是通往新记录系统的路径：并非通过拔除现任巨头，而是通过捕捉一类只有在智能体植入工作流后才变得可见的真相 。
记录系统，重塑想象 (Systems of record, reimagined)
问题不在于记录系统能否生存——它们当然会生存 。
问题在于，下一个万亿美元级别的平台，是通过向现有数据添加 AI 构建出来的，还是通过捕捉那些使数据变得可操作的决策追踪构建出来的 ？我们坚信是后者 。而今天那些构建上下文图谱 (Context Graphs) 的初创公司，正在为此打下根基 。