所有節目›AI Engineer Europe 2026World's Fair 2026World's Fair 線上軌AI in HealthcareSoftware Factories
Stop babysitting your agents...在 YouTube 看這一場

AI Engineer Europe 2026 · 演講 · 2026-05-26 · 19 分

別再顧 agent,先給它 context

Stop babysitting your agents... · Brandon Waselnuk,Unblocked

Brandon 認為 agent 缺的是公司內部的 context,不是智力,並拆解三個常見迷思、context engine 的條件與他們踩過的三個坑。

context 多寡看原片 ↗

概要

  • agent 一開始什麼都不知道Brandon 把剛啟動的 agent 比成零 context 的聰明工程師,不知道組織裡有哪些服務和慣例,所以才需要人一直在旁邊補。
  • 三個迷思Brandon 舉的三個是「對文件做 naive RAG 就夠」「接夠多 MCP 就好」「context window 夠大就好」,結論都是不夠。
  • context engine 要做的事跨系統推理、解決來源之間的衝突、遵守權限,最後回給 agent 一份壓縮過的小回應。
  • 對照實驗同一個 prompt,只接 MCP 的版本能過編譯與檢查,資深工程師卻說照做會弄壞整個系統;用 context engine 的版本只收到一個小意見。
  • 三個硬教訓只顧存取、把衝突藏起來、把好答案快取起來,三條路他們都試過,都出了問題。
  • 用在計畫與 code reviewBrandon 的建議是規劃時用,執行中隨時可以再問,到 code review 再用一次。

原話

  • “Getting the best context up front makes all agent choices and actions after that even better.”

    先把最好的 context 備齊,後面 agent 每一個選擇和動作都會更好

    ▶ 04:06
  • “The gap is not intelligence at this point, it is context.”

    現在的差距不在智力,而在 context;引自 Karpathy

    ▶ 04:39
  • “They're pipes, that's great, but they don't provide understanding or reasoning across it.”

    MCP 只是管線,不提供跨資料的理解與推理

    ▶ 07:10
  • “The moment you write it, it's no longer valid because things are changing.”

    答案一寫下來就不再有效,因為事情一直在變;指快取好答案的問題

    ▶ 13:14
  • “An agent should write code that feels like it was written by someone who's been on your team for years.”

    agent 寫的 code 應該像團隊裡待了好幾年的人寫的

    ▶ 14:40

延伸

  • 權限的例子:他們會收 Slack 與 Microsoft Teams 的對話,私訊只回給本人,別人問同樣的問題看不到;這也是他們透過 MCP 交付的原因之一,可以沿用 OAuth 的權限模型。
  • Brandon 說團隊有一定規模之後,缺 context 的 agent 會傾向把東西 mock 掉,寫出來像原型,不能 merge。

章節

點時碼直接跳到原片的那一段。

  1. 開場與目標Brandon 說自己想讓大家不用再 babysit agent,並把 agent 比成零 context 的聰明工程師。
  2. 你曾經就是 context engine用新人到資深的成長過程,說明多數人現在還停在「自己就是 context engine」的階段。
  3. 從靜態資料到 context engine團隊多半先做靜態的 curated context,但要有人維護、也沒有執行期資料,所以需要在查詢當下跨系統找資料的 engine。
  4. 缺口是 context引了 Karpathy 的說法,並指出給 agent 存取權不等於讓它理解;他們的真實任務中,只接 MCP 的版本過了檢查卻是錯的。
  5. 迷思一:naive RAG用放射科的 satisfaction of search 類比,agent 找到第一個像答案的東西就停手,最後還是回到人工糾正。
  6. 迷思二與三:MCP 與大 windowMCP 只是管線,不提供理解;1 million 的 context window 塞滿後 agent 也推理不動。
  7. engine 的條件要認得你是誰、能判斷程式碼與 Slack 討論誰說了算、遵守權限;social graph 是其中的支點。
  8. 輸入輸出與背景 agent資料來源進 engine,輸出給 Slack 裡的工程師與 agent;背景 agent 需要它才能不靠人回答問題。
  9. 六個特色統一系統 context、目標式檢索、衝突處理、資料治理、個人化相關性與 token 優化。
  10. 對照實驗結果同一個 prompt 跑兩次,比較圖是請 Claude 做的。沒有 engine 的版本沒發現他們用 Bedrock 當 fallback,還帶著 bug;有 engine 的版本只收到 nitpick。
  11. 三個硬教訓只優化存取、藏起衝突、快取好答案,三件事他們都試過也都出問題。
  12. 客戶怎麼用放進客戶的工程支援頻道自動回答,也用在 ticket 補資料、分流、事件處理,團隊再用 cookbook 與自己的 skill 客製。
  13. 示範:社交圖譜工具對 repo 產生工程組織的節點與連線,看誰跟誰合作、審誰的 code;Brandon 說會開源。
  14. 示範:用 MCP 做規劃請 agent 規劃新增 Zendesk 整合,它先查 engine 再派 explore agent,產出的計畫抓到 factory pattern 等重點。

名詞

Unblocked
Brandon 任職的公司,產品是提供 context 給 agent 的 context engine
context engine
查詢當下跨企業所有系統找資料、推理,再回給 agent 一份 token 優化過的小回應
curated context layer
團隊把公司關鍵資訊放進 agent 可讀的靜態資料庫,要有人維護,也沒有執行期資料
satisfaction of search
放射科現象,找到一個答案就停止搜尋;Brandon 用它解釋 agent 為何找到第一筆資料就停
social graph
記錄一個人在哪些 repo 工作、跟誰合作的圖,用來當檢索的支點
MCP
這場裡指讓 agent 存取各個 SaaS 工具的管線,Brandon 說它提供存取而非理解
Zendesk integration
這場對照實驗與示範用的任務:替系統新增 Zendesk 整合

相關影片 同屬「context 多寡」