Modus的操作模式：為AI智慧體提供恰到好處的上下文

隨著越來越多的公司將其AI智慧體接入內部資料倉儲的最深處，如何確保這些智慧體真正理解業務的運作方式？目前，許多組織仍停留在手動構建Markdown檔案，並希望在業務變化時能及時更新的階段。

Modus認為它找到了更好的方法。這家本週正式退出隱身模式、並獲得1000萬美元融資的初創公司，正在構建業內所謂的“上下文倉庫”——一個位於公司現有資料倉儲旁邊的層，持續對映業務在系統中的運作方式，並在AI智慧體需要時僅提供相關的上下文切片。

具體而言，Modus使用其所謂的“上下文挖掘器”從GitHub、dbt、Jira、Snowflake和Postgres等來源爬取相關資產，持續學習業務的運作方式。這些資訊隨後被轉化為“動態生成的技能”：由第二個系統——“上下文組合器”——即時組裝而成的簡短、目的明確的簡報，在智慧體接到任務時立即提供。

Modus聯合創始人兼CTO Tomer Mesika向The New Stack表示，這種挖掘是持續進行的，並由其自身的內部邏輯指導應該檢查什麼以及檢查頻率。

“我們有很多機制來了解組織中應該挖掘什麼、以什麼節奏挖掘、如何尋找差異、何時深入挖掘以及何時停止，”Mesika說。

Modus聯合創始人兼CEO Daniel Shimoni將資料倉儲與之直接類比，以突出他試圖填補的空白。他認為，公司多年來投入巨資建設基礎設施來儲存和組織資料，但對於構建在資料之上的理解，卻沒有任何類似的系統。

“資料倉儲背後有邏輯——公司已經知道那是他們管理資料的地方，”Shimoni告訴The New Stack。“但他們在哪裡管理上下文？他們在哪裡真正理解組織中存在哪些上下文，從而確保智慧體只擁有它們所需的內容？”

Shimoni表示，即便是第一步本身就已經足夠困難，但隨著業務變化保持公司上下文的準確性則更加困難。

“我們注意到，首次構建上下文已經是一個挑戰，但維護它是更大的問題，”Shimoni說。“因此，Modus始終從公司的行為中學習，每當業務發生變動時，它都會確保只有相關且更新的上下文被提供給智慧體。”

關於成本，Mesika指出這是Modus運作模式的核心組成部分。他認為，前沿模型往往將其令牌預算的很大一部分花在與回答問題無關的工作上。

“你希望更大的模型處理繁重和複雜的任務，以獲得巨大價值，”Mesika說。“問題是它們浪費了大量精力和令牌在瑣碎任務上。”

這些瑣碎任務包括在拉取請求或Jira票據中搜尋，僅僅是為了確定什麼內容相關，然後智慧體才能開始執行分配的任務。

一種方法是讓一個小型、更便宜的模型來處理排序工作。Mesika表示Modus更進一步：不是在問題提出時才檢索上下文，而是使用小型語言模型與搜尋引擎、向量搜尋和圖資料庫（所有這些都預先構建好）在後臺持續進行這項工作。等到昂貴的前沿模型介入時，它只接收一份關於所需內容的完整簡報。

Shimoni和Mesika分別來自資料密集型企業Lusha和Cyera，他們在2025年9月離職共同創立Modus。兩人相識多年，此前一年一直在不同崗位上交流同一問題的解決思路。

“一些挑戰非常相似——如何將大量不同的資料資產整合到一個地方供AI使用？”Shimoni說。“我們開始注意到這是一個空白——讓AI在公司內部以規模和自信執行。我們決定這是一個值得解決的問題，現在看來我們是對的，因為每個人都在談論上下文。”

Modus在成立後不久完成了1000萬美元的種子輪融資，由Insight Partners領投。其他投資者包括Soma Capital和一些天使投資人，其中包括Cyera和Wix.com的創始人。該公司於2026年1月開始招聘首批員工。

從Modus的定位可以得出一個今年AI圈最常聽到的結論：模型本身不再是瓶頸；限制AI系統的是圍繞它構建的一切。對於Modus來說，這一認識自公司成立之初就已存在。

“即使在去年……我們就能看到模型能力不再是瓶頸，”Shimoni說。“更重要的是確保它們能訪問所需的上下文，以給出正確的答案。”