上下文图谱
概述
上下文图谱（Context Graph，CG）是一种知识表示结构，在传统基于三元组的知识图谱（Knowledge Graph，KG）基础上进行了扩展——它为实体和关系同时附加了丰富的上下文元数据，包括时效性、地理位置、来源出处、置信度以及事件特定细节。标准知识图谱将事实存储为 (head, relation, tail) 三元组，而上下文图谱将其存储为四元组 (head, relation, tail, relation_context)，并为每个实体附带独立的上下文包（描述、别名、类型、图像、参考链接）。
上下文图谱在智能体 AI 领域有两个不同但相辅相成的应用场景：
- 作为知识表示结构（学术/技术层面）：上下文图谱为 LLM 在结构化知识库上的推理提供了三元组抽取所丢弃的上下文信息，从而提升推理质量。
- 作为智能体系统的业务资产（行业/投资层面）：当智能体编排层捕获决策轨迹——即每次自动化操作背后的"原因"——便会产出上下文图谱这一持久化工件，将转瞬即逝的推理过程转化为可回放、可审计的组织记忆。
第一部分 — 技术定义（IDEA Research，2024）
基于三元组的知识图谱的局限
标准知识图谱将知识表示为 (h, r, t) 三元组，这种结构在三个关键维度上会丢失上下文信息：
- 表示冲突：同一谓词在不同语境下含义不同。"A 住在上海希尔顿" 与 "A 住在北京海淀区" 均映射为
(A, lives_in, ?)——三元组抽取抹去了"暂住"与"定居"之间的区别。 - 表示不完整：史蒂夫·乔布斯曾两度出任苹果公司董事长，两次情况截然不同，但均坍缩为
(Steve Jobs, chairman_of, Apple Inc.)，区分这两个事件的上下文就此丢失。 - 推理效果差：基于规则的知识图谱推理学习
(X, works_in, Y) + (Y, city_of, Z) → (X, citizen_of, Z)这类模式——但这些概率性规则在边缘情况下会失效，而上下文本可解决这些问题。
形式化定义
上下文图谱定义如下：
CG = {E, R, Q, EC, RC}
其中：
- E = 实体，R = 关系
- Q = 事实四元组集合 (h, r, t, rc)，其中 rc ∈ RC 为关系上下文
- EC = 实体上下文集，每个实体 e 表示为 (e, ec)
- RC = 关系上下文集
上下文数据分类
| 分类 | 上下文类型 | 示例 |
|---|---|---|
| 实体上下文 | 属性 | 身高、价格、颜色 |
| 实体上下文 | 类型 | 演员、科学家、地标 |
| 实体上下文 | 描述 | 人物传记文本 |
| 实体上下文 | 别名 | 伊斯坦布尔 / 君士坦丁堡 |
| 实体上下文 | 参考链接 | 维基百科、官方网站 |
| 实体上下文 | 图像 / 语音 / 视频 | 照片、音频、视频片段 |
| 关系上下文 | 时间 | 奥巴马担任美国总统，2009–2017 |
| 关系上下文 | 地理 | 法国在俄罗斯举办的 2018 年 FIFA 世界杯中夺冠 |
| 关系上下文 | 定量 | 伯克希尔持有 7.9 亿股苹果股票 |
| 关系上下文 | 来源出处 | 源文件、新闻报道 |
| 关系上下文 | 置信度 | 抽取模型准确率 |
| 关系上下文 | 事件特定 | 阿根廷在 2022 年世界杯决赛中击败法国 |
| 关系上下文 | 补充信息 | 新闻话题、互动指标 |
CGR³ 推理范式
该论文提出了 CGR³（上下文图谱推理：检索 → 排序 → 推理，Context Graph Reasoning: Retrieve → Rank → Reason），这是一个在上下文图谱上运行的三步 LLM 增强推理循环：
- 检索（Retrieve）：利用基于嵌入的知识图谱补全（KGC）模型和 LLM 从维基百科段落生成的候选项，从上下文图谱中提取候选实体及相关上下文。
- 排序（Rank）：使用经过微调的 LLM（基于 LoRA/SFT 的 Llama-3-8B）对候选项重排序，依据实体描述和上下文相关性对合理性打分。
- 推理（Reason）：LLM 判断已检索的上下文是否足以回答问题；若不足，则以新的推理路径重新迭代。
在知识图谱问答（KGQA）任务中，CGR³ 采用束搜索（宽度 M，最大深度 D_max）逐步探索推理路径，每步使用上下文相关性分数（bge-large-en-v1.5 嵌入）进行剪枝。
基准测试结果
在 FB15k-237 和 YAGO3-10 数据集上的评测结果：
| 模型 | Hits@1（FB15k-237） | 提升幅度 |
|---|---|---|
| ComplEx 基线 | 0.158 | — |
| ComplEx + CGR³ | 0.263 | +66.5% |
| RotatE 基线 | 0.241 | — |
| RotatE + CGR³ | 0.293 | +21.6% |
| GIE 基线 | 0.271 | — |
| GIE + CGR³ | 0.301 | +11.1% |
各模型 Hits@1 平均提升：FB15k-237 上 +33%，YAGO3-10 上 +14.8%。
在 KGQA 任务（QALD10-en 和 WikiWebQuestions）上，CGR³ 在基于提示词的方法中取得了新的最优结果：
| 方法 | QALD10-en 精确匹配 | WWQ 精确匹配 |
|---|---|---|
| 先前提示词方法最优 | 50.2 | 72.6 |
| CGR³ | 54.7 | 78.8 |
| CGR³（不含上下文） | 38.1 | 67.3 |
去除上下文信息后，QALD10-en 准确率相对下降 43.6%——这是上下文在知识图谱推理中价值的最有力佐证。
上下文抽取流水线
- 实体上下文：通过
owl:sameAs将知识图谱实体 ID 映射到 Wikidata QID；收集标签、简短描述、别名和维基百科首段文本。 - 关系上下文：聚合头尾实体对应的维基百科页面；使用 Sentence-BERT 提取最能反映三元组语义的前 γ 条支撑句。
第二部分 — 上下文图谱作为智能体业务资产（Foundation Capital，2025）
问题：决策轨迹从未被捕获
企业的记录系统（CRM、ERP、工单系统）存储的是当前状态——商机现在的样子、工单今天的内容。它们不存储产生每次状态迁移的推理过程。具体而言，有四类组织知识被系统性地丢失：
- 存于个人脑海中的例外逻辑：比如"我们一向给医疗公司额外 10% 的折扣，因为他们的采购周期极其漫长。"这条规则不在 CRM 里。
- 历史决策留下的先例：比如"上个季度我们与 X 公司谈过一笔类似的交易。"没有任何系统将这两笔交易关联起来，也没有记录原因。
- 跨系统综合判断：支持主管在 Salesforce 查看年度经常性收入，在 Zendesk 核查未解决的升级工单，在 Slack 上看到一条客户流失风险的提醒，随后决定升级处理。工单上只写着"已升级至三线支持"。
- 系统外的审批链：某位副总裁在 Zoom 会议中批准了一笔折扣。商机记录显示的是最终价格，既未记录谁批准了这次偏差，也未说明原因。
上下文图谱作为持久化工件
当智能体编排层在每次运行时输出决策轨迹，就产出了企业几乎从未拥有的东西：一份结构化、可回放的历史记录——记录上下文如何转化为行动。
从这个意义上说，上下文图谱通过决策事件（关键时刻）和"原因"链接（决策依据）将企业已经关注的实体——账户、续约、工单、事故、策略、审批人、智能体运行记录——连接起来。随着时间推移：
- 捕获的决策轨迹成为可检索的先例
- 每一次自动化决策都向图谱添加一条新轨迹
- 类似案例得以自动化处理，因为系统拥有结构化的历史决策与例外情况库
- 即便是人工决策也能丰富图谱，因为工作流层会将输入、审批和决策依据作为持久化先例记录下来，而不是任由其消散在 Slack 中
为何现有厂商无法构建这一能力
| 参与方 | 局限所在 |
|---|---|
| Salesforce / ServiceNow / Workday | 建立在当前状态存储之上；其智能体产品继承了母平台的架构限制——支撑决策的上下文无法保留，因此无法回放或审计 |
| Snowflake / Databricks | 处于读取路径而非写入路径；数据在决策完成后才通过 ETL 到达；决策上下文在进入数仓之前就已丢失 |
| 任何现有厂商 | 捕获决策轨迹要求在提交时处于执行路径之中——无法在事后将治理能力强行接入 |
三条创业路径
| 路径 | 描述 | 示例 |
|---|---|---|
| 替换现有记录系统 | 围绕智能体执行重构 CRM/ERP，以事件溯源状态和策略捕获为原生架构 | Regie（AI 原生销售互动平台，替代 Outreach/Salesloft） |
| 替换模块而非整个系统 | 聚焦例外和审批高度集中的子工作流；成为这些决策的记录系统，同时将最终状态同步回原有系统 | Maximor（财务领域：现金管理、账期关闭、核心会计） |
| 创建全新记录系统 | 从编排层起步，持久化企业从未存储过的内容——决策制定轨迹；智能体层成为企业追溯"我们当时为何这样做"的归宿 | PlayerZero（生产工程领域：代码、配置、基础设施与客户行为交互的动态模型） |
寻找切入点的信号
两个信号具有普遍适用性： - 某工作流上人员众多：50 人以上手动执行路由、分诊或对账，意味着决策逻辑复杂到传统自动化无力承担 - 决策例外频繁：交易定价台、核保、合规审查、升级管理——任何"具体情况具体分析"是诚实答案的场景
还有一个信号专门指向新记录系统机会： - 组织处于多系统交叉点：RevOps（销售 + 财务 + 市场 + 客户成功）、DevOps（开发 + IT + 支持）、安全运营（IT + 工程 + 合规）。这些"胶水职能"之所以存在，恰恰是因为没有任何单一记录系统能承载跨职能工作流。
最佳实践
| 挑战 / 领域 | 描述 | 解决方案 / 建议 |
|---|---|---|
| 上下文抽取质量 | 基于三元组的知识图谱丢弃了赋予关系语义的原始句子 | 使用 Sentence-BERT 从维基百科检索前 γ 条支撑句作为关系上下文；通过 Wikidata QID 映射实体上下文 |
| 未微调 LLM 的排序能力 | 未经微调的 LLM 即便有上下文辅助，在实体排序任务上表现仍较差 | 使用 LoRA 对排序目标进行 SFT；微调后的 Llama-3-8B 在重排序任务上显著优于 ChatGPT |
| 长尾实体覆盖 | 嵌入模型在邻居稀少的实体上表现失效 | CGR³ 推理模块从维基百科段落生成候选项，绕过知识图谱结构稀疏的问题 |
| 决策轨迹捕获 | 智能体推理过程消散于 Slack/Zoom，无持久化工件 | 在编排层埋点，每次运行时输出结构化决策轨迹——包括收集的输入、应用的策略、批准的例外、审批人及决策依据 |
| 现有厂商锁定 | 现有记录系统将限制 API 访问并提高数据导出费用 | 在提交时处于执行路径中进行构建；现有厂商无法将自己插入一个从未参与的编排层 |
| 先例复用 | 相同的边缘情况每季度都要重新争论一遍 | 将捕获的决策轨迹转化为可检索的先例；随着先例库不断扩充，逐步实现类似案例的自动化处理 |
参见
- 上下文工程挑战 — 上下文腐化、污染、干扰、混淆、冲突
- 上下文工程策略 — 卸载、精简、检索、隔离、缓存
- 智能体记忆管理 — 包括情景记忆和语义记忆在内的持久化记忆策略
- 多智能体系统 — 生成决策轨迹的编排层
- 生产最佳实践：上下文工程 — 生产环境指南
- 生产最佳实践：状态与记忆 — 持久化状态模式
- RAG 架构 — 基于检索的上下文管理
参考资料
- Context Graphs — AI's Trillion-Dollar Opportunity — Foundation Capital 关于上下文图谱作为智能体企业系统持久化决策轨迹层的论述（2025）
- Context Graph (arXiv:2406.11160v3) — Xu 等，IDEA Research：上下文图谱的形式化定义、CGR³ 推理范式，以及在知识图谱补全和知识图谱问答任务上的基准测试结果（2024）