企業主動智能體的上下文圖譜
本文提出上下文圖譜（Context Graph），一種實時關係數據結構，用於建模企業實體及其關係和狀態變化。基於此圖，構建了增量檢測引擎、主動性評分器和基於LLM的展示層，使AI智能體能夠主動向員工推送相關信息。在合同管理、事件響應和銷售管道三個案例中，該方法實現了0.83的精確率（Precision@5）、0.11的誤報率，並將平均呈現時間從47分鐘縮短至30秒以內。
在人工智能與企業軟件深度融合的背景下，當前主流的檢索增強生成（RAG）與智能體框架雖然取得了長足進步，但本質上仍是被動的——系統必須等待用户的明確查詢才能提供信息。這種被動模式限制了工作效率的進一步提升。為此，一篇最新研究論文提出了基於上下文圖譜（Context Graph）的主動智能體系統，旨在讓AI在員工意識到需求之前就推送相關且有價值的信息。
上下文圖譜是一種動態的關係數據結構，能夠實時捕捉企業中的實體（如員工、合同、項目、事件）、它們之間的關聯以及隨時間發生的狀態變化。例如，在合同管理場景中，圖譜可以自動跟蹤合同條款的變更、審批進度、責任人等信息。基於這一核心結構，論文設計了三個關鍵組件：增量檢測引擎（Delta Detection Engine）持續監控圖譜中的狀態變化，一旦檢測到有意義的變更便觸發後續流程；主動性評分器（Proactivity Scorer）根據變更的緊迫程度、與當前任務的相關性以及接收者的角色特徵，對候選信息進行綜合排序；最後，基於大語言模型（LLM）的展示層（Surfacing Layer）將排名靠前的通知以自然語言形式呈現，並附帶可解釋的理由，幫助員工快速理解上下文。
論文還形式化了統一的主動性評分函數，並提供了完整的端到端Python實現，採用NetworkX構建圖譜，並調用Anthropic Claude API實現LLM驅動。在三個典型企業場景——合同生命週期管理、工程事件響應和銷售管道清潔度維護中，該系統達到了0.83的Precision@5，即推送的前5條信息中平均有4.15條是員工真正需要的，同時誤報率僅為0.11。更令人矚目的是，信息從事件發生到呈現在員工面前的平均時間從被動基線的47分鐘驟降至30秒以內，極大地提升了響應速度。
這一研究為構建真正主動的企業AI系統提供了全新的思路和可行的技術路徑，有望在未來徹底改變員工與AI系統的互動方式，釋放更大的生產力。