Agent 缺的不是智慧是 context

014Prukalpa Sankar20:532026-07-14 上架

WTF Is the Context Layer? The Missing Infrastructure for Production Agents — Prukalpa Sankar

Prukalpa Sankar 拿一位分析師怎麼在工作中學會做事當對照，講公司內部的 agent 為什麼各自為政、context 又該怎麼像程式碼一樣管理。

這場講了什麼

• 模型變強，用處沒跟上：Prukalpa 舉的數字是 5 個 AI 案例只有 1 個上線、56% 的 CEO 說 AI 至今沒帶來任何財務效益。整場的主張是：缺的是 context，不是智慧。
• 績效是智慧加 context：拿人的職場表現對照，IQ 只解釋 10% 的績效差異，真正拉開差距的是在工作中累積的知識、技能與經驗。
• 第一代：一件事一個專職 agent：customer experience 團隊照工作拆解，每件事各做一個 agent，結果 context engineering 耗時、agent 之間互不相通、出錯難追查，換一次工具 context 就被困在舊系統裡。
• 第二代：共用的 company brain：團隊裡最強的人各自寫 skill，集中進同一個 repo，再讓通用 agent 取用。marketing 團隊半年內做出約 300 個 skill 與 40 個 agent。
• context 要像程式碼一樣管：skill 之間有相依，上游一改下游就壞；誰負責品質、密鑰與公開 skill repo 的安全都成問題，所以需要版本、核准者與維護者。
• context 是公司的 IP：模型人人都能用，差別在公司怎麼做事；把文化與規範編碼成 AI 能用的 context，才是公司跟對手不一樣的地方。

影片從哪一段開始看15 段

1. 00:12開場：context 的一年一年前 Prukalpa 與共同創辦人在台上說 context will be king，到了 2026 年， context 成了熱門話題，這場要回答 context layer 到底是什麼。
2. 01:51模型變強卻不更有用兩年前模型還考不過律師考試，現在成績排前 1%；但 5 個 AI 案例只有 1 個上線，56% 的 CEO 說沒有財務效益。
3. 02:38績效等於智慧加 context智慧十年內成長千倍、最近半年又翻倍，企業自己的情境知識卻幾乎沒動，還散在 dashboard 與 Slack 裡。
4. 04:17分析師 Maya 的一天一句「drive-through 時間為什麼上升」，背後要知道指標定義、週的切法、季節性與診斷手法，Maya 靠工作中跟人學、犯錯、被回饋才會。
5. 07:12第一代：專職 agent約 18 個月前從 customer experience 團隊的工作拆解起步，每個 agent 只把一件事做好，例如 Hermione 與 Moneypenny。
6. 08:36三個卡關的地方建 agent 五分鐘，餵 context 卻花很久；agent 像孤島，marketing 改了定位，網站上的 SDR agent 還在講舊的；出錯時分不清是模型、agent 還是 context。
7. 10:46換工具，context 被困住一年內從 Relevance、Google ADK、Glean 換到 Claude Code，現在 Claude 與 Codex 各半，每次 context 都留在舊系統。
8. 11:16第二代：company brain對照高效團隊的共同語言、共同做法與共同記憶，各人負責一組 domain skill，集中進一處，再用多種取用方式連到通用 agent。
9. 13:43腦裡該有什麼需要 data graph、skill 庫、語意與指標定義、組織結構與實體；marketing 團隊半年做出約 300 個 skill 與 40 個 agent。
10. 14:33管 context 像管程式碼競品情報 skill 餵給定位 skill，再餵給業務話術 skill，一環更新下游就壞；品質誰負責、密鑰寫死在 .env、下載公開 skill repo 都是問題。
11. 15:39context 的 GitHub需要生命週期、協作與版本管理，區分本地與全域 context，讓 skill 有自我學習迴圈、核准者與維護者，並由人加 AI 一起管。
12. 16:43把 trace 變成學習迴圈每次 AI 互動都產生新 context，用專門的 harness 讀 trace，回到維護者那邊逐筆核准或退回。
13. 17:16從業務系統反推起步常有人問手上 60 個系統要從哪裡開始。Prukalpa 的經驗是 context 藏在業務系統裡：連上 Salesforce、HubSpot、資料倉儲與應用層，反推它們怎麼互相連接，就能得到第一版 company brain。
14. 18:05context layer 的定義持續從業務系統挖 context、進同一個腦、經 skill 與開發週期管理，再用 MCP、SQL、向量檢索等方式取用；現在多半是硬寫 context，規模大了不可持續。
15. 19:31context 也是 IP模型相同時，American Express 與 Amazon 的客服 agent 差在做事方式，context 是把文化與規範編碼起來的方法。

值得記的話5 句

• Cognitive intelligence doesn't really determine real world effectiveness.認知上的聰明，並不真的決定在現實世界中的成效02:38

• we realized that context kind of needs to be managed like code我們發現 context 得像程式碼一樣管理14:33

• every AI interaction creates more context and harnessing this is gold每一次 AI 互動都會產生更多 context，把它善加利用就是金礦16:43

• Today, we're largely building agents by hard coding context.現在我們大多是靠硬寫 context 來建 agent18:58

• I'd like to end it by saying Context is also IP.我想用這句話收尾：context 也是 IP19:31

名詞與人物6 個

context layer

把人腦裡的知識、專業與規範，轉成 AI 系統能用的 context 的那一層：持續從業務系統挖掘、集中管理、再以多種方式取用

company brain

各團隊把自己的 domain skill 集中放進的同一處，通用 agent 從這裡取用 context

Maya

Prukalpa 虛構的資料分析師，進公司一年，用來示範人是怎麼在工作中累積 context 的

skill

由團隊裡最強的人撰寫的某一領域做法，例如 SEO、競品情報，集中放進共用 repo

harness

專門讀 AI 互動的 trace、反推出可改進 context 的機制，結果交給維護者核准或退回

GitHub for context

Prukalpa 提出的問題：公司的 context 也需要像程式碼那樣的生命週期、協作與版本管理

提到但沒有展開

• 第一代的另一個麻煩是記憶：每個 agent 有自己的記憶系統，各學各的、學法也不同，很快就說不清哪一份才是真的。
• 老笑話說問 sales 跟 finance 營收數字會拿到兩個答案。Prukalpa 認為自主系統上線後同樣的事正在發生，這個問題的規模被低估了。

Agent產業觀察開發工具

在 YouTube 看原片 ↗