有一個很著名的IT傳言：在1981年的一次計算機貿(mào)易展上，比爾·蓋茨為了為剛剛推出的IBM PC 640KB可用內(nèi)存限制辯護，說出了這樣一句話：640K 對任何人來說都應該足夠了。這個傳言影響力很大，堪比世界只需要5臺計算機，以至于蓋茨后來多次否認過這件事的真實性。
不過，雖然這句話并未出自蓋茨之口，但是這句話所講的觀點，在大模型出現(xiàn)在之后，卻有了新的意義。如果說模型體系可以類比于一個計算機系統(tǒng)，模型是CPU，上下文就是它的內(nèi)存，那么128Ktoken的上下文窗口夠用嗎?還是需要200K?或者更多?
其實，答案可能不只是在于上下文窗口的尺寸大小，而是上下文工程能否做好。
上下文工程這個詞，在 2025 年于硅谷逐漸流行開來。如果說提示工程(prompt engineering) 是教 AI 說什么，那么上下文工程(context engineering)就是決定AI看到什么、記住什么、理解什么。
特斯拉前AI總監(jiān)Andrej Karpathy將上下文工程描述為一門精巧的藝術和科學，旨在為(模型的)下一步操作，用恰到好處的信息填滿上下文窗口。
AI為什么需要企業(yè)的背景故事
顯然，這個概念，對于企業(yè)AI落地來說，意義尤其重大。
基座模型雖然經(jīng)由互聯(lián)網(wǎng)數(shù)據(jù)集訓練而來，但是它對一家公司的客戶歷史、內(nèi)部流程或?qū)Ｓ挟a(chǎn)品數(shù)據(jù)一無所知，而這些恰恰是企業(yè)最寶貴的競爭壁壘。如果能有一種方式，將AI的推理引擎與企業(yè)內(nèi)部散落各處的數(shù)據(jù)孤島動態(tài)連接起來，讓AI能夠基于企業(yè)自身的、可驗證的真實信息進行決策，就會大幅降低了因模型幻覺而導致的商業(yè)風險。
更進一步說，企業(yè)AI的價值也就不會止于精準問答，而是能夠深度融入并自動化復雜業(yè)務流程了。
很多事情都是知易行難的，如何踐行上下文工程，又成了一個新課題。
不過，在深圳的2025全球商業(yè)創(chuàng)新大會上，我感受到用友試圖正在基于新的BIP5平臺解決這個問題。
8月中，深圳會展中心聚集了近萬名商界人士，他們要參加的是一年一度的全球商業(yè)大會。用友的新BIP 5發(fā)布，是大會的重頭戲。用友執(zhí)行副總裁兼CTO樊冠軍在發(fā)布BIP 5時，分享了一個例子。
他說通過用友的新系統(tǒng)訂會議室的話，只需要告訴AI：今天下午和張三李四王五在我辦公室開個會，討論BIP 5發(fā)布的事。系統(tǒng)會自動識別參會人、檢查日程、預訂會議室。整個過程幾十秒。
看起來的簡單例子，這背后恰恰是上下文工程的精髓。
AI系統(tǒng)怎么知道張三李四王五具體指哪一個人?怎么知道樊冠軍的辦公室在哪?怎么知道他的級別對應什么樣的會議室標準?怎么知道參會人員的權限和日程安排?
換句話說，大模型再聰明，沒有企業(yè)的上下文，就像一個空降的顧問，連公司的人都認不全，更別說理解復雜的業(yè)務邏輯了。
用友的解決方是：基于AI×數(shù)據(jù)×流程這樣一個公式，來解決企業(yè)AI落地難題。注意，這里用的是乘號，不是加號。
三者必須深度融合，才能構建完整的企業(yè)上下文，讓模型準確理解用戶意圖。
原生一體化：讓AI真正看懂企業(yè)
用友用了一個詞來總結這個體系：原生一體化。
什么意思?就是AI、數(shù)據(jù)、流程從一開始就是一體設計的，而不是后期拼接的。
樊冠軍舉了個例子：配方數(shù)據(jù)不是誰都能看的。我能看到的數(shù)據(jù)，和其他同事是不一樣的，在企業(yè)里權限就不同。
如果用通用的智能體，它怎么知道誰能看什么?即便通過API調(diào)用，權限該放在API層還是應用層?數(shù)據(jù)該怎么過濾?這些都是難題。
但在原生一體的系統(tǒng)里，權限防護欄天然存在于業(yè)務系統(tǒng)。智能體知道你是誰、你的級別、你的權限范圍。當你說我要出差，系統(tǒng)自動知道你的住宿標準是多少，因為它已經(jīng)有了完整的上下文。
樊冠軍解釋說，如果是嫁接體系，而非原生體系，比如讓第三方智能體調(diào)用ERP系統(tǒng)，那就必須通過API，要處理授權、權限、數(shù)據(jù)安全。每一層都是隔閡。
用友BIP 5做了什么?本質(zhì)就是構建了三合一的架構：
首先是數(shù)據(jù)層。不只是傳統(tǒng)的結構化數(shù)據(jù)，還包括非結構化數(shù)據(jù)。樊冠軍說：大模型出來后，企業(yè)的非結構化數(shù)據(jù)，像文檔、視頻，都可以被理解了，這部分數(shù)據(jù)更加寶貴。
其次是模型層。用友提供了60多個數(shù)據(jù)看板、800多個數(shù)據(jù)模型、1000多個指標資產(chǎn)。這些不是簡單的模板，而是30多年企業(yè)服務經(jīng)驗的沉淀。銷售訂單在不同的企業(yè)，名字都可能不同，系統(tǒng)要能理解這種差異。
最后是流程層。每個流程都是一個上下文片段，告訴AI在特定場景下該做什么、能做什么。
這三層疊加，形成了完整的企業(yè)上下文圖譜。
在會上公布鞍山鋼鐵的案例比較說明問題。他們基于用友BIP構建了20多個智能體，涵蓋營銷策略、市場價格預測、設備故障預測等。這些智能體不是孤立的，而是共享同一套上下文體系。營銷智能體知道庫存情況，生產(chǎn)智能體了解訂單需求，它們能夠協(xié)同工作。
知識運營：上下文的持續(xù)進化
不過，上下文不是靜態(tài)的，而是需要持續(xù)運營的。
樊冠軍提出了一個有趣的觀點：企業(yè)應該設立首席知識官(CKO)。
原來都是CTO負責技術，CDO負責數(shù)據(jù)治理。但AI時代，企業(yè)需要專門管理知識和上下文。
他分享了用友自己的經(jīng)驗。用友研發(fā)中心產(chǎn)生了100多個智能體，每個都有一個教練在培養(yǎng)。智能體回答問題，如果答錯了或者用戶不滿意，會轉給真人。真人不僅要解答，還要分析：是知識庫的問題?上下文信息不足?還是提示詞需要優(yōu)化?
知識庫是一個運營的過程，智能體也是一個運營的過程。樊冠軍說，現(xiàn)在智能體能回答80%的問題，未來可能是90%、95%。
這種持續(xù)優(yōu)化的過程，就是在不斷豐富和精確企業(yè)的上下文。
用友的超級群功能展示了另一個維度。這不是普通的群聊，而是一個持續(xù)學習的上下文環(huán)境。群里討論的內(nèi)容會自動沉淀為知識，成為企業(yè)上下文的一部分。下次有人問類似問題，系統(tǒng)會優(yōu)先從這些群知識里搜索。
樊冠軍說：員工整個聊天過程產(chǎn)生的知識，就成了這個群的新背景上下文。
立高食品通過這種方式實現(xiàn)了智能銷售預測。系統(tǒng)不僅知道歷史銷售數(shù)據(jù)，還理解季節(jié)性因素、促銷活動、甚至天氣對銷售的影響。這些上下文信息的積累，讓預測準確度大幅提升。
從工具到伙伴：上下文工程的終極目標
樊冠軍在大會上說：企業(yè)軟件要從傳統(tǒng)的“工具系統(tǒng)”進化為業(yè)務的“智能伙伴”。
這個轉變的關鍵，其實也在于上下文工程。
工具只會執(zhí)行命令，伙伴能理解意圖。工具需要詳細指令，伙伴知道背景信息。工具是被動的，伙伴會主動建議。
樊冠軍說：未來的企業(yè)軟件會是一個對話框。
但這個對話框背后，是龐大而精密的上下文體系。每一次對話，系統(tǒng)都在調(diào)用企業(yè)多年積累的數(shù)據(jù)、流程、知識，在理解當前的業(yè)務場景、用戶的權限角色、相關的歷史信息。
中華煤氣(港華燃氣)的案例很有代表性。他們選擇全套用友BIP，4個月上線，覆蓋十大領域。董事長的理由很簡單：我就是要做智能化和數(shù)據(jù)化。
全套采用，原生一體的好處?其實就是完整的上下文。
企業(yè)不需要在不同系統(tǒng)間同步數(shù)據(jù)，不需要處理權限映射，不需要維護多套知識庫。一個統(tǒng)一的上下文貫穿所有業(yè)務，AI能夠真正理解企業(yè)的全貌。
萬華化學基于用友BIP完成全球財務共享中心建設，6個月覆蓋66家公司，集成13個系統(tǒng)，實現(xiàn)核算100%全自動。這種效率提升，核心就在于構建了完整的全球化上下文：不同國家的會計準則、稅務規(guī)則、合規(guī)要求，都被整合進統(tǒng)一的知識體系。
也就是說，上下文工程不是建一個本地智算中心能解決，而是需要深度的業(yè)務理解和長期的知識積累。
因此，樊冠軍認為，一般性企業(yè)無需把精力花在模型訓練微調(diào)上。因為他聽說很多買了卡準備自己訓練大模型的企業(yè)，現(xiàn)在硬件已經(jīng)成了家里的文物。
他的建議是：對多數(shù)企業(yè)來說，一個聰明的大模型，加上企業(yè)的背景知識，就綽綽有余了。
企業(yè)AI的競爭門檻也不在于模型有多大，而在于上下文有多準確、多完整、多及時。當AI真正理解了企業(yè)的語言、流程、規(guī)則，當它能夠訪問正確的數(shù)據(jù)、遵守合適的權限、調(diào)用恰當?shù)墓δ?，它就不再是一個外來的工具，而成為了企業(yè)的一部分。
正如樊冠軍所說：這就是為什么用友說AI×數(shù)據(jù)×流程，是乘法關系。
三者深度融合產(chǎn)生的，不是簡單的效率提升，而是企業(yè)運營方式的根本改變。大模型的企業(yè)AI時刻已來?可能只是需要更好的上下文。