阿里巴巴实际说了什么并发布了什么
首先来看主旨演讲。由 Qianwen Office 官方账号发布的官方速记，将演讲围绕企业面临的三个障碍展开。简单来说：一个不了解你业务的 AI 无法回答诸如“我们东部地区上季度的毛利率是多少”之类的问题，因为它不知道“我们公司”指的是哪家公司。其次，生产力的提升仅停留在善用 AI 的个人身上，因为组织缺乏将这些经验分享给其他所有人的良好机制。最后，企业由于数据安全问题而犹豫不决。
Chen 的回答是，企业智能体的前提是数据，并围绕三个理念进行组织：连接、理解和复用。他还提出了一个很容易被忽略的观点：一个不知道某些事情的智能体就是不知道，再聪明的模型也无法凭空猜测它从未被赋予的事实。一旦你告诉了它，一个高性价比的模型通常就足够了。
他发布的产品是 Enterprise Context。正如 36Kr 的英文报道所描述的，它是一个“用于企业上下文数据管理的产品”。它连接了企业过去所谓的隐性知识——文档、会议和群聊，然后“逐层压缩，并根据需要提取供 Agent 使用”。结合 Qianwen Office 的智能体托管，其宣称的目标是打造理解公司业务的数字化员工。
速记中具体解释了为什么压缩如此重要。Chen 认为，你不能简单地将公司的所有数据拉到一个地方，因为智能体无法以这种方式使用它：让上下文窗口过载会浪费智能体执行任务本身所需的空间。他对这种方法的描述是分层的——像文件系统一样组织公司知识，每一层都对下一层进行压缩（类似于技能逐步展现细节的方式），外加人、项目、聊天和文档之间的关系图谱。
Alibaba Cloud 的发布将同样的理念放在了基础设施层。该公司的官方新闻稿将其智能体云描述为“围绕三个核心场景构建——模型、托管和上下文”，并带有一个“提供实时数据和长期记忆”的 Context Engine（上下文引擎）层。其中，“Agent Context 是一种企业级上下文数据服务，可为 AI 智能体提供实时上下文和长期记忆。通过将公司的文档、业务系统、聊天记录和多模态数据连接到一个统一的基础中，它使智能体能够记住过去的任务、跨团队共享知识并持续学习。”
会议场景也有专属的新品发布。Chen 介绍了可穿戴录音笔 QwenNote A2，Shu 随后将硬件描述为“增量上下文收集的一个非常好的入口”——一种将对话转化为智能体可使用文本的方法。在隐私方面，报道指出“A2 不保留原始音频，转写内容仅保留文本和会议纪要”。
报道用四个字总结了该口号在办公场景下的含义：“上下文就是一切”（Context is everything）。
值得读两遍的观点：上下文属于其所有者
在这场采访中，这个想法变成了一种原则，而不仅仅是产品推介。
Shu Junliang 被问及为什么阿里巴巴自己的应用仍然没有共享统一的上下文。他的回答是：“维度不应该是打通 Qwen、Feishu 和 Qianwen Office 等软件之间的上下文，因为上下文其实是跟着主体走的——无论是我个人的上下文还是这个企业的上下文——这与你最终使用的 Agent 是解耦的。”
他随后描述了阿里巴巴试图提供的东西：“我们提供的是企业级上下文的基础设施，它属于企业本身。”他解释了为什么企业会需要这个：“大型企业不仅会使用一款 AI 产品，他们自己也会开发一些 AI 产品。难道这些 AI 产品就不能从我的上下文中受益吗？”
他最后的对比是整篇文章中最坦诚的一句话。他将企业上下文称为“新时代的数据基础设施，这与数据库是一样的，只是它还没有像数据库那样被标准化。”
从这些话中可以得出三个结论：上下文是组织的资产，而不是当前使用的任何智能体的功能。企业将运行多个智能体，有些是购买的，有些是自建的，所有这些智能体都应该从相同的上下文中受益。而且，行业目前还没有一种标准的方法来做到这一点。
Shu 在个人层面也同样直接。他说，个人数据“目前分散在各个 APP 中”，是否有人能收集它“取决于这些公司是否向个人开放权限。目前，我们还没有看到这种开放的趋势。”
这改变了什么，又没有改变什么
它确实让“企业上下文”成为了一个明确的品类。当 Alibaba Cloud 围绕模型、托管和上下文来规划其智能体战略，并给上下文一个独立的产品线时，AI 智能体上下文层的概念就不再小众了。预计会有更多厂商开始这样描述他们的产品。
它确实验证了许多团队历经坎坷才摸索出的方法。连接数据源，将它们压缩成智能体可以使用的内容，并使个人知识在团队中可复用。Chen 提出的三个关键点——连接、理解、复用——是对公司规模下上下文工程（context engineering）的清晰总结。
它并没有建立一个标准。Shu 自己也这么说。Enterprise Context 是 Qianwen Office 内部的一个产品，与 DingTalk 深度集成；Chen 强调了开放性，告诉观众 Qianwen Office 服务于许多使用 Feishu 和 WeCom 的客户，并且“无论是 Qianwen Office 还是 Enterprise Context，我们都必须坚持一个原则：开放，再开放。”这是单一厂商的承诺，而不是一种互操作性的格式。
它并没有解决个人上下文的问题。根据 Shu 的说法，描述个人的数据分散在不愿开放数据的各种应用中。
它也没有告诉一个同时使用 ChatGPT、Claude、Cursor 和内部智能体的团队，他们的上下文今天应该存放在哪里。这部分留给你们自己解决。
人们会从中吸取什么教训——以及不应该误解什么
“更好的模型会解决这个问题。” 主旨演讲的观点恰恰相反。更智能的模型无法推断出你的定价规则或区域定义。同样的逻辑也解释了为什么更大的上下文窗口并不等同于记忆：容量不等于知识。
“把所有东西都放进一个大存储库中，让智能体去搜索。” Chen 在演讲中花了很大篇幅解释为什么这种方法会失败。压缩和结构化才是核心工作。
“上下文是我选择的智能体的一个功能。” Shu 的观点是，它应该与智能体解耦。如果你的上下文存在于某一个工具中，更换工具就意味着要重头开始，这也是AI 记忆是一个功能还是锁定机制背后探讨的问题。
“这只适用于大型企业。” 演讲中提到的三个障碍——不了解业务的智能体、停留在个人身上的知识经验以及对数据的担忧——对一个 10 人的团队和对大型企业一样适用。规模变了，但问题没有变。
解决方案：将上下文视为团队拥有的资产
你不需要一个企业级平台来践行阿里巴巴的论点。你需要决定你的智能体应该知道什么，保持其精简，并将其保存在比任何单一工具寿命更长的地方。
步骤 1：写下智能体无法猜测的上下文
字面理解演讲中的例子。在你们公司，“我们的东部地区”指的是什么？这里的毛利率是如何计算的？哪些客户是战略客户，哪些产品即将退役，哪些决策是最终决策？这些都是任何模型都无法推断的事实，而它们恰恰是每次新对话中都需要重新解释的内容。
列出它们。然后加上 Chen 描述的第二类：善用 AI 的人的知识经验。起作用的提示词、审查清单、你最优秀的销售人员撰写提案的方式。今天，这些知识都保存在个人的聊天记录中。
这也是当有人离职时会流失的隐性知识，这就是为什么在员工离职时保留 AI 上下文要从同一个清单开始。
步骤 2：将其压缩为智能体可以导航的层级
克制住上传所有内容的冲动。遵循演讲中描述的结构，无论适合你团队的规模如何。
在最顶层，是一个简短的索引：团队做什么、主要项目、在哪里寻找细节。在它下面，每个项目、客户或流程有一个简明扼要的条目，包含当前状态 and 塑造该状态的决策。再往下，是源文档本身，用于真正需要细节的时候。
连接这些碎片。关于项目的条目应该指明相关人员和重要的文档，以便智能体可以从一个移动到另一个，而不是靠猜测。会议结果也属于这里，应写成决策而不是会议转写，因为转写记录的是说了什么，而条目记录的是达成了什么共识。并且要注明日期。Shu 指出，在公司内部，“数据的性质与数据的时间顺序之间存在许多矛盾”——最新的决策应该明显地取代旧的决策。
步骤 3：保持其与任何单一智能体解耦，并测试是否确实如此
这是将 Shu 的原则转化为一种检验方法。将你的上下文存储在多个智能体都可以访问的地方，然后在两个不同的工具中提出相同的问题。如果只有一个工具知道答案，那么你的上下文就存在于该工具内部。
同时设定边界。主旨演讲非常关注安全性，包括在智能体接触敏感数据之前需要进行确认。在连接任何内容之前，决定哪些上下文与每个智能体共享，哪些上下文受到限制。
最后，保持其最新。Chen 指出，业务数据不断变化，必须在变化时重新理解。将更新上下文作为结束决策的一部分，而不是一项单独的繁琐工作。为团队设置共享 AI 记忆涵盖了这一习惯的日常版本。
在 MemoryLake 中进行设置
阿里巴巴的框架描述了一个属于组织并为其使用的任何智能体服务的层。对于跨 ChatGPT、Claude、编程智能体和他们自己的工具工作的团队，MemoryLake 是保留该层的一个地方：位于任何单一产品之外的 AI 智能体长期记忆。
你自己用自己的语言编写条目。不会从 Qianwen Office、DingTalk、Alibaba Cloud 或任何厂商的存储中读取、写入或删除任何内容。
步骤 1：创建 API 密钥
登录并从控制面板生成密钥。该密钥属于你在记忆层中的工作空间，因此它与你的团队本季度碰巧使用哪个智能体无关。
步骤 2：上传你的第一批记忆
从上面解决方案中的步骤 1 清单开始：任何模型都无法猜测的定义、最终的决策以及值得分享的知识经验。遵循步骤 2 中的分层结构，保持每个条目精简并注明日期。
步骤 3：连接你的 AI 和智能体
连接你团队使用的助手和智能体。然后，相同的条目在每个工具中都可用，这在设计上就通过了步骤 3 的解耦测试。
这在实践中改变了什么
第一个区别是，引导智能体入门就像引导新人入职一样。无需在每次对话中重新解释业务，每个新工具都从相同的简报开始。人们在工作中所谓的“AI 遗忘症”大多就是这种差距，正如为什么公司的 AI 知识每周一都会消失所描述的那样。
第二个区别是，个人的知识经验变成了团队的知识。演讲中关于未分享经验的观点，与其说是由新功能解决的，不如说是由一种习惯解决的：当有人找到行之有效的方法时，它会进入共享上下文，而不仅仅是他们自己的历史记录中。
第三个区别是，更换或添加智能体不再昂贵。如果上下文是解耦的，那么明年构建的新编程智能体、新聊天助手或内部工具在启动时就已经掌握了信息。这就是跨智能体记忆所关注的便携性。
第四个区别是，安全决策变得明确。当上下文是你控制的一个层时，决定每个智能体可以查看什么，要比分散在各个工具中（每个工具都有自己的默认设置）容易得多。
企业上下文的最佳实践
从无法推断的内容开始。 定义、决策和例外情况比大体量的文档更重要。
先压缩，后连接。 一组简短、分层的条目优于让智能体费力阅读的一大堆文件。
为每个决策注明日期。 最新版本应该明显取代旧版本。
保持上下文独立于任何单一智能体。 通过向两个工具提出相同的问题来测试它。
尽早设置访问边界。 并非每个智能体都需要了解每个事实。
评估平台时要看所有权，而不仅仅是功能。 在对比企业级 AI 记忆平台时，询问如果更换厂商，上下文是否仍然属于你。
结论
“Context is All You Need”是一个口号，但其背后的论点是合理的。Chen Yusen 的主旨演讲论证了智能体在工作中失败主要是因为它们缺乏公司的上下文，而工作就是连接它、压缩它并使其可复用。阿里巴巴推出了 Enterprise Context 和 Agent Context 来大规模实现这一目标。
比这些发布更具深远意义的一句话是 Shu Junliang 的：上下文“与你最终使用的 Agent 是解耦的”，并且企业的上下文“必须属于这家企业”。他坦言，这方面的基础设施“还没有像数据库那样被标准化”。
在此之前，对于任何团队来说，实际的解决方案都是一样的：写下智能体无法猜测的内容，保持其精简和最新，并将其保存在你使用的每个智能体都能访问的地方。