Agent下半场生死局：“上下文”成为新的价值衡量基线

一家头部电信运营商子公司引入AI Agent后，其财务工作效率发生了显著变化：原本需要31人花费2天完成的任务，现在只需1人2小时即可搞定。过去，31个省份的财务人员每月需耗费两天时间，核对打款、订单和开票需求这三张表格；如今，借助Agent平台，企业将匹配规则提炼成技能模块，一名员工仅需两小时，便能完成数万张发票的数据整理工作。

然而，该公司的副总经理认为，这尚未实现真正意义上的业务全流程智能化。“我们现在只是完成了中间一段。”他坦言，企业真正追求的是从接收需求、开票到发送电子发票的“端到端”自动流转。

这番言论，恰好揭示了当前企业级Agent落地过程中存在的真实差距。

一方面，底层大模型技术飞速发展，从复杂推理、自主规划到多智能体协作，AI似乎无所不能；另一方面，当这些能力真正应用于企业的既有业务体系时，却举步维艰。

艾瑞咨询的一组数据，揭开了这种“表面繁荣”的真相。

数据显示，2026年第一季度，国内大中型企业的整体AI采纳率高达90.9%，新一代大模型AI采纳率也达到81.3%；然而，67.3%的企业仍停留在L1探索试验阶段，真正进入L3体系优化阶段的仅有9.1%。在过去一年落地的企业Agent项目中，83.7%集中在通用辅助的“浅水区”，真正深入专业业务领域的仅占16.3%。该机构预测，未来18个月内，约30%-40%的企业级智能体项目，会因无法计算ROI而陷入停滞或关闭。

问题究竟出在哪里？

过去两年，行业习惯从模型本身寻找答案：推理能力不足就更换底层模型，任务链条太长就扩展上下文窗口，效果不稳定就增加工作流。但随着基础模型能力的持续提升，企业开始发现，决定Agent实际效果的关键因素正在发生变化。一个真正能投入实际工作的Agent，不仅要理解当前的指令，还必须知道这项任务从何而来、之前经历过什么、现在卡在哪个环节，以及接下来需要遵守哪些规则。

这些动态流转的信息，共同指向了一个正在被产业重新审视的核心概念：上下文（Context）。

AI的竞争，正在从模型能力的比拼，转向一场围绕上下文的争夺战。在新的标准下，已经入局的企业和想要入局的企业，又该如何调整策略？

Agent的短板，隐藏在模型之外

要找到答案，首先需要理清Agent落地的真实状况。

过去，企业部署Agent最常见的方式是“Prompt+RAG”。简单来说，就是将内部制度、历史文档接入知识库，让模型根据检索结果回答问题。这种方法在知识问答、内容生成等场景中已取得一定成效，但当Agent真正进入业务流程时，问题便开始暴露。

以制造业B2B销售为例。从挖掘线索、分析需求，到多轮报价、合同审核和最终交付，一笔订单的成交往往需要数周甚至数月。在此期间，Agent不仅要生成销售方案，还需要知道客户上次拒绝签约的原因、销售总监承诺过的折扣，以及当前订单是否触及信用额度红线。

这些信息分散在不同的系统和任务节点中。如果Agent无法继承此前的谈判记录，就可能向客户重复提出已被拒绝的付款方案。在真实的商业谈判中，这样的失误足以毁掉一单生意。

事实上，长周期任务中的信息连续性，一直是Agent面临的技术难题。2025年11月，Anthropic在一项相关研究中指出，复杂的软件开发任务往往跨越多个上下文窗口，每次新会话都需要重新恢复工作进度。

而与软件开发相比，企业业务的复杂性还在于，需要延续的不仅是历史信息，还有不断变化的业务状态。

同一个客户，在CRM系统中是销售线索，在ERP系统中对应订单，在财务系统中又涉及不同的账期和回款记录。昨天有效的报价，今天可能因原材料涨价而失效。即使RAG能够准确检索历史文档，也很难仅凭这些信息还原业务当下的真实情况。

更棘手的是，即使Agent掌握了完整的数据，也未必知道下一步该怎么做。因为企业的许多决策，还依赖于复杂的业务规则和长期积累的隐性经验。

以某大型传统消费品企业为例，其采购业务涉及3500个物料、40家供应商和7座工厂。仅一张采购订单，就需要综合考虑供应商产能、交货周期、运输成本、区域生产瓶颈等100多个参数。过去，这些判断高度依赖采购人员的经验，但随着业务规模扩大，单靠个人经验已越来越难以兼顾效率和成本。

“当参与这项工作的同事超过10个人时，你根本无法保证每个人的经验都是对的。”该企业总裁在接受媒体采访时直言，他们迫切希望借助AI找到更优的决策算法。

但问题是，这些决策背后的参数权重、业务规则和经验，并不会随着大模型能力的提升而自动获得。即使模型拥有海量公开知识，也很难直接理解一家企业内部复杂的决策逻辑。

由此看来，企业Agent面临的瓶颈逐渐清晰。一是缺乏对业务状态的持续感知，二是缺乏对真实业务规则和决策依据的理解。前者决定了Agent能否接续工作，后者决定了它能否真正承担工作。而传统依赖Prompt和RAG的方式，显然难以独立解决这两个问题。

要走出只能处理单点任务的“浅水区”，Agent还需要一套能够实时获取、持续更新并跨任务复用业务信息的机制。这也让一个过去常被视为模型输入材料的概念，开始成为企业Agent技术演进的关键：上下文。

从Prompt到Context：让Agent真正“投入实际工作”

2025年下半年，风向出现了一些微妙的变化。

9月份，Anthropic发表了《Effective Context Engineering for AI Agents》，将上下文工程推到了行业讨论的前台，试图让Agent在任务执行过程中，动态获取、组织和更新所需的信息，包括历史记录、实时数据、业务规则以及工具调用结果。其核心逻辑是让Agent在正确的时间，获取正确的信息，并知道这些信息该如何使用。

2026年3月，LangChain联合创始人兼CEO Harrison Chase在接受采访时也指出，Agent犯错，很多时候是因为缺少正确的上下文。

随着这一思路逐渐落地，企业Agent的产品形态也开始出现变化。

最直观的变化，是Agent获取信息的方式正在改变。

今年3月，飞书推出了OpenClaw一键部署能力。4月，又进一步上线了多智能体协作、云端记忆等功能，让Agent能够结合飞书内部的文档、日程、团队沟通等信息，围绕具体任务展开协作。在飞书官方展示的内容生产案例中，用户只需提出一个选题，系统便可调度多个Agent，依次完成资料收集、大纲生成、内容撰写和审核。按照官方演示，约10分钟内便可形成交付成果。

相比效率数字，更值得关注的是背后的产品逻辑。

过去，用户使用AI时，往往需要反复交代项目背景、上传资料、说明任务要求；如今，项目文档、会议纪要、任务进度和人员沟通本就存在关联。当这些信息能够被Agent按需调用时，用户就不必每次都从头解释工作背景。Agent也会根据项目进展，找到相关资料、识别任务负责人，并将前一环节的结果传递给后续任务。

换句话说，过去是人不断为AI补充上下文，如今，Agent开始能够围绕工作任务主动获取上下文。

而在业务专业性更强的垂直行业，上下文的价值还在进一步延伸。

2026年8月，法律AI公司Harvey发布了Harvey II，重点强化了项目上下文和用户记忆能力。新版产品能够将法律项目中的文件、参与人员、历史任务和权限信息关联起来，同时保留律师的写作偏好与工作习惯。这使得律师在一项持续数月的并购交易中，不必每次启动AI时都重新上传材料、解释此前的工作进度。Agent可以基于已有项目背景继续处理任务，并为后续审核提供相关信息。

从飞书到Harvey，这两类产品虽然面向不同市场，却呈现出相似的演进方向。即Agent开始从单次任务的执行工具，向能够延续工作状态、理解项目背景的业务助手演进。

回过头来看，企业Agent的技术路线也由此变得更加清晰。

最初，Prompt和RAG让Agent能够理解指令、检索知识；随后，工作流、技能模块和工具调用，让它具备了操作业务系统、执行多步骤任务的能力；如今，上下文工程则试图将这些分散的能力串联起来，让Agent在任务之间保留关键信息，并根据业务变化调整后续行动。

当然，这并不意味着上下文工程能够解决企业Agent的所有问题。数据是否实时、系统能否打通、权限如何控制，以及历史经验能否被可靠复用，依然需要大量的工程化工作。

但一个值得关注的变化是，过去企业主要围绕模型能力构建AI应用，如今谁能让Agent持续理解企业的真实业务，谁就更有机会让AI深入核心流程。

这也让上下文开始超越单纯的技术概念，逐渐成为企业AI竞争中一项值得重新评估的资产。

上下文工程，卡在成本、组织与安全之间

不过，从技术突破到企业真正投入使用，上下文工程还有很长的路要走。

2026年，Redis发布的《The State of Context Engineering》报告显示，97%的受访者认同上下文的重要性，但真正具备持续积累、复用上下文能力的成熟企业仅占4%。

技术方向逐渐清晰，为何落地依然困难？

首先，是技术服务商必须面对的一道难题，那就是如何让Agent既准确、又快速，还足够便宜。

过去两年，各大厂商已经尝试了不少方法。例如，Coze、Dify等平台通过工作流传递任务状态，MCP协议为Agent调用外部系统提供标准化接口；Anthropic尝试通过上下文压缩减少信息冗余，LangChain则利用文件系统和持久化记忆保存任务进度。

但这些方案都存在不同程度的取舍。频繁调用外部工具，虽然能够获取更准确的信息，却增加了响应延迟；压缩上下文可以节省Token，却可能丢失关键的业务细节。

LangChain 2026年的一项调查显示，在超过1300名受访从业者中，32%将输出质量视为生产部署的首要障碍，20%则受困于响应延迟。

与此同时，随着Agent处理的任务越来越复杂，推理成本也在快速累积。麦肯锡2026年的一项调研显示，约20%的企业因Token等运行成本过高，不得不限制AI的使用规模。

这一点，从底层厂商持续优化推理效率这一动作也可见一斑。例如，DeepSeek V3采用MoE架构，总参数为6710亿，但每次处理Token时仅激活约370亿参数，并通过MLA等技术降低推理资源开销。

不过，模型推理成本下降，并不意味着上下文管理问题就此解决。当企业部署成百上千个Agent时，如何在准确率、延迟和成本之间取得平衡，依然是一道工程难题。

相比之下，企业自身面临的问题，甚至比技术更复杂。

其中最突出的是业务和IT之间长期存在的组织鸿沟。“因为IT是没有办法业务化的，他理解不了全场景的实际业务，他没有亲自参与，只能做到表层了解。”某头部消费品企业副总裁在接受采访时这样说道。

这句话点出了企业上下文建设的一大难点。事实上，大量业务规则和决策经验，至今仍掌握在一线员工手中。即使AI降低了技术门槛，要将这些分散的经验梳理、验证，再转化为Agent可以调用的业务上下文，仍需要企业投入大量时间和人力。

而当技术和组织问题逐渐解决，企业还有最后一道关要过：安全。对于大多数企业来说，让Agent读取业务信息和允许它直接操作核心生产系统，完全是两回事。

以开篇提到的电信运营商子公司为例，目前主要通过前一天的业务数据备份，让Agent完成分析和数据处理，尚未让其全面接管实时生产流程。前文提到的消费品企业，同样没有让Agent直接连接核心生产数据库，而是建立了经过权限控制和风险评估的独立数仓，供员工和Agent在授权范围内使用。

这种相对谨慎的方式，虽然降低了AI误操作、数据泄露等风险，但也限制了Agent的能力。

总的来说，企业上下文建设面临的挑战，早已超出单纯的模型能力范畴。技术服务商需要解决准确率、延迟与成本的平衡，企业则必须打通业务与IT之间的壁垒，同时建立可靠的权限和治理机制。

当这些问题叠加在一起，上下文就很难只靠某个Agent、某套工作流独立解决。如何将分散的数据、规则和业务状态组织起来，形成一套能够安全调用、持续更新、跨Agent复用的公共能力，正在成为企业AI落地的新课题。

而这也为下一阶段企业软件和AI服务商的竞争，打开了新的空间。

Agent下半场，一场围绕企业“记忆”的争夺战

技术难题的背后，往往也孕育着新的商业机会。

当单个Agent难以独立管理复杂的业务上下文，一个新的问题随之出现：能否将这套能力独立出来，成为企业可以统一调用的基础服务？

回顾过去二十年，企业软件的商业模式已经历了数轮变化。SaaS时代，企业主要为软件功能和使用权限付费；进入大模型时代，MaaS兴起，模型推理能力通过API对外提供，Token成为重要的计费单位。

如今，随着基础模型能力逐渐普及，企业AI服务商的差异化价值，可能进一步向业务上下文转移。

原因不难理解。模型可以通过API调用，标准化工作流和技能模块也相对容易复制，但一家企业积累多年的客户关系、业务规则、历史决策和流程经验，很难在短时间内被其他厂商复刻。

由此，一种新的服务形态开始进入产业视野——CaaS（上下文即服务）。

简单来说，就是将分散在CRM、ERP、财务等系统中的数据、规则和实时业务状态，整合成Agent能够持续调用、更新和复用的上下文服务。

例如，一家制造企业的销售Agent需要判断能否给予客户新的折扣，过去需要分别查询订单、库存、回款和审批规则。而在CaaS模式下，这些信息有机会被统一组织，在授权范围内提供给不同Agent调用。

这意味着，上下文有可能从单个Agent的技术组件，演变成一项独立的企业级服务，并探索按调用量、服务能力等方式收费。

如果这一模式逐渐成熟，模型厂商、传统SaaS企业和Agent创业公司的竞争逻辑，也将随之改变。

首先是底层模型厂商。随着Agent开始承担长周期任务，历史记录、工具调用和实时数据不断累积，推理成本与延迟问题将更加突出。因此，长上下文处理、缓存复用、增量更新和高效推理能力，将成为模型厂商争夺企业市场的重要筹码。

相比之下，传统SaaS厂商的机会更值得关注。

过去，SaaS厂商的护城河主要来自产品功能、客户规模和系统切换成本。但当Agent能够跨系统执行任务时，企业员工可能不再需要频繁打开不同软件，传统依赖账号和功能订阅的商业模式也将受到冲击。

不过，长期深耕企业业务，也让ERP、CRM和协同办公厂商具备天然优势。它们熟悉业务流程，掌握系统接口，并在企业授权下能够连接大量业务数据。如果进一步将这些能力转化为可供Agent调用的上下文服务，原有的软件壁垒就可能延伸为新的竞争优势。

届时，SaaS厂商的价值将从帮助企业管理业务流程，进一步延伸到帮助Agent理解和执行业务流程。

而对于Agent创业公司而言，单靠对话入口、通用功能和标准化技能模块，未来可能越来越难形成壁垒。深入金融、制造、供应链等垂直行业，沉淀专业规则、业务经验和执行能力，将成为更有价值的竞争方向。但能否获得企业信任、接入核心系统，也将决定其商业化空间。

由此来看，模型厂商争夺的是上下文的处理效率，SaaS厂商争夺的是业务上下文的组织与服务能力，Agent