从企业搜索到企业上下文：AI 智能体真正需要什么
在 AI 智能体（AI Agents）进入企业级工作流的关键阶段，Glean 提出了一项核心观点：智能体需要的不仅仅是企业搜索（Enterprise Search），更需要一个完整的“企业上下文层”（Enterprise Context Layer）。
为什么传统搜索无法满足智能体需求？
经典的企业搜索解决了“查找性”问题，帮助员工在碎片化的文档、工单和 CRM 记录中定位信息。然而，当任务从“回答一次性问题”转变为“执行复杂工作流”（如研究、决策、起草、执行）时，问题的性质发生了根本变化。
- 容错机制的差异：人类员工可以凭经验过滤噪音，识别过时的文档并手动修正。而智能体无法“凭经验”，一旦基于错误的信息（如去年的定价政策）进行推理，错误会在工作流中层层累积，导致严重后果。
- 成本与效率：为了弥补检索能力的不足，智能体往往被迫进行更多的搜索循环和工具调用，这不仅增加了延迟和成本，还引入了低价值上下文，挤占了关键信号。
智能体对上下文层的五大核心要求
Glean 详细定义了智能体所需的上下文层必须具备的五个关键特性，这些特性共同构成了可靠的智能体执行基础：
1. 权威检索（Authoritative Retrieval）
智能体不需要“提到该主题”的文档，而是需要针对当前任务最权威的证据。例如，在制定计划时，必须获取“标准项目计划”而非“草稿笔记”；在处理客户投诉时，必须获取“最新政策”而非“历史存档”。权威检索是区分“看似合理”与“真正可靠”智能体的关键。
2. 信号优于体积（Signal over Volume）
弱检索会导致智能体通过增加搜索次数来补偿，这降低了效率。强大的上下文层应通过精准排序和过滤，向模型交付更少但更高质量的上下文，从而缩小模型的处理范围，提升响应速度与准确性。
3. 跨系统理解（Cross-system Understanding）
真实工作通常跨越多个系统。例如，处理计费升级时，客户投诉可能在 Slack，修复工单在 Jira，历史记录在支持系统中。关键词引擎会将这些视为无关的孤立碎片，而智能体需要理解它们之间的逻辑关联，将其视为一个完整的故事。
4. 权限感知的上下文（Permissions-aware Context）
权限控制必须内嵌于架构中，而非仅停留在 UI 层面。智能体在每一步检索时，都必须严格遵循请求用户的访问权限，确保其获取的信息与源系统一致。信任一旦因 AI 泄露了无权访问的数据而崩塌，将难以修复。
5. 针对多步工作的上下文交付（Context Delivery for Multi-step Work）
智能体很少一次性完成任务。它们需要检索、推理、总结、决策，并在每一步获取不同的证据。将大量信息一次性塞入提示词（Prompt）并非良策，关键在于在执行的正确阶段，交付正确的上下文。
架构演进：从搜索基础到上下文层
这一转变要求企业 AI 架构从简单的连接器计数转向深度的系统集成。Glean 强调，有效的企业 AI 取决于其能够触及系统的深度，而不仅仅是连接器的数量。企业上下文层充当了从“学习企业搜索”到“评估企业搜索软件”的桥梁，是构建下一代可靠企业智能体的基石。
“企业搜索解决了一个问题，而 AI 智能体创造了一个更大的问题。” —— Glean 团队
通过构建上述架构层，企业可以确保 AI 智能体在复杂的业务环境中，基于当前、相关且权限合规的知识进行可靠推理与执行。
