Agent 战场新动态千问办公开源上下文基础设施据悉Agent 的下一个战场已然打响。昨天千问办公官宣开源了全新的上下文基础设施 MyContext它可将钉钉和飞书等 IM 软件的沟通、文档、会议与协作记录以及本地、线上线下的多源数据自动加工成一份持续更新的工作档案。MyContext 指向的正是 Agent 落地的最后一块短板。自今年初以来AI 的入口之争已从 Chatbot 转向通用 Agent。阿里、字节、腾讯纷纷整合内部研发和产品资源推出各自的旗舰 Agent 产品由于 AI 办公场景中 Agent 擅长做 PPT、写文档、做行业分析该场景成为头部玩家争夺的焦点。然而在企业饱和式投入涌进这一赛道后新问题逐渐显现。AI 办公场景最稀缺的能力不再是单点花哨的功能而是把一件事从头做完的能力而上下文已成为办公 Agent 的阿喀琉斯之踵。Agent 功能趋同“上下文”成新变量今年以来得益于模型能力的快速提升和 Agent Harness 架构的持续迭代通用 Agent 的办公能力日渐成熟Computer use、多 Agent 并行和记忆等能力几乎成为标配其能力边界也从写文案、做摘要、翻译延伸到具备复杂任务拆解和工具调用可做 PPT、表格甚至是行业深度分析报告。这些单点能力的跃升颠覆了个人的工作模式人只需交代目标Agent 自动拆解步骤、调度工具直至交付结果极大提升了个人办公效率。但新问题随之而来Agent 的能力边界仍局限于处理标准化或通用的任务在真实业务场景中表现大打折扣。导致 Agent 在真实工作场景能力衰减的原因并非大模型不够聪明对于办公场景的 Agent 而言需要获取两方面知识一是行业常识和专业框架这是模型已具备的能力二是用户具体情况和过往工作积累的信息这是目前模型和 Agent 都缺失的一环。例如一份季度复盘背后涉及几十条历史沟通、多版旧方案、多个口径各异的表格数据反复修改结论也需随之变动。真实的工作场景远不止一次提问和几份临时上传的文件它要求 Agent 了解一个人长期负责什么、与谁协作、过去做过什么决定更要有清晰的判断哪些事情可做、哪些必须交还给人。而实际情况是Agent 对用户和历史工作信息的了解几乎空白无法将这些背景信息和单次任务串联起来。用户使用 Agent 仍需从头交代“我是谁”“在做什么项目”“上周的方案最后定成了什么样”但用户在每次任务中几乎不可能完整描述工作背景的全貌这一问题限制了 Agent 在企业级场景的落地。MIT 的 NANDA 报告称约 95%的企业级生成式 AI 试点没能换来实际回报症结集中在缺数据基础设施、融不进既有工作流。数据平台公司 Confluent 2026 年的调查则显示66%的企业认为数据基础设施和数据质量正在拖慢 Agentic AI 落地。因此Agent 竞争的胜负手已开始转变Agent 落地比拼的不仅是模型此阶段拉开差距的是一直被行业低估的上下文这是整个行业的共识。MyContext精细化提炼上下文信息Agent 所需的背景信息早已沉淀在工作群、文档、会议纪要以及 Salesforce、SAP 等企业软件中。但对 Agent 而言仅简单连接这些数据无法有效运转业界需要一套能将其结构化并供 Agent 消费的上下文基础设施这也是企业级上下文工程和通用检索方案的分水岭。Agent 的上下文基础设施真正的门槛在于“提炼”即把杂乱、矛盾、带时间线的原始信息炼成 Agent 开箱即用的干净上下文背后涉及的算法和工程是难啃的硬骨头。此前海外科技公司展开了一系列探索。如企业级数据与 AI 平台公司 Palantir通过 Ontology 统一企业对象、关系与业务逻辑为 Agent 提供可执行的语义层企业级 AI 搜索与知识平台公司 Glean 更强调 Enterprise Graph连接人、项目、文档和业务实体之间的关系微软依托 Microsoft Graph 与 Copilot Connector将企业数据、权限和协作关系接入 Copilot。根据 Github 的开源文档显示千问办公此次开源的 MyContext 以本地化方式运行在用户设备上可将线上线下的异构数据加工成一份可持续更新的工作文档涵盖职责范围、协作关系、行为习惯与既有结论每条信息均可回溯至原始出处明确标注来源、时间与内容不仅解决了幻觉问题还可大幅提升 Agent 执行任务的准确率。千问办公团队的官方信息显示和传统方案不同MyContext 在数据处理上另辟蹊径。针对上下文处理最典型的矛盾和时序错乱问题业界惯常“取最新”或“取置信度最高”实则丢失信息。MyContext 在结论层采用三态合并说法一致就加固置信度新说法是旧说法的补充就并入真冲突则两条都留、同时降低置信度、交由用户裁决用户手工确认过的结论模型永远不能覆盖极大保证了信息的准确性。另外MyContext 还解决了规模化上下文处理的成本问题针对数据处理的算法做了重构。通常全量处理一次向量需几十分钟而数据源每十分钟更新一轮同一件事可能反复调用模型产生巨大成本。因此千问办公团队将分工理念融入系统让模型只处理真正不可替代的那一小段如相似度落在模糊区间、本地规则判不动的那些实体对最后结合缓存、批量触发等策略有效减少模型的 Token 成本。阿里 Agent 新护城河三位一体布局本月早些时候沙利文联合头豹研究院发布的《2026 年中国智能体AI Agent最佳应用实践》报告预计中国 AI Agent 市场规模将由 2025 年的 2.6 万亿元增至 2030 年的 20.1 万亿元其中 B 端是驱动市场增长的主体变量长期贡献约九成收入。未来企业级场景的市场空间远大于个人。从更宏观的角度看MyContext 是阿里企业级 Agent 版图的关键一环。对阿里而言未来可将这套上下文能力与钉钉、千问办公形成三位一体的闭环。作为国民级 IM 软件钉钉服务超过 2000 万家企业组织、近 8 亿用户日常的沟通、决策、审批都在上面进行天然沉淀着企业最高频、最高价值的原始知识和工作流这是阿里在 Agent 战场的天然优势。MyContext 作为中间层负责异构数据的清洗和语义治理不仅能帮助企业处理钉钉、飞书的数据未来还可将 Salesforce、SAP 以及企业本地存储里的知识、工作流等重新组织起来。在应用层千问办公可直接承接上下文并转化为真实业务中的执行力。上月上线的千问办公已初步打通钉钉 IM逐步接入企业真实的数据库和工作流结合上下文层这种原生组合优势将进一步放大。放眼全球具备 IM、Cotext 和 Agent 这一系统性能力的公司寥寥无几这也是阿里在 Agent 战役中的最强护城河。结语当 Agent 功能逐渐趋同Agent 这场竞争的胜负手远不止单点能力。水面之下那层尚未被充分开垦但又绕不开的上下文与 IM 和 Agent 协同之后将大幅抬高 Agent 在企业级场景的能力上限。