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。
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
▶ 04:06“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
▶ 04:39“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
▶ 07:10“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
▶ 13:14“The moment you write it, it's no longer valid because things are changing.”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
▶ 14:40“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
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。
- 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。
- 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。
- 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。
- 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。
- 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。
- 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。
- 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。
- 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。
- 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。
- 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。
- 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。
- 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。
- 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。
- 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







