AI Agent 上下文管理：精准控制输入规模

很高兴你来到这里。每周一至周五，我们都会为你送上 TNS 的优质内容，帮助你及时掌握最新动态，始终保持最佳状态。

请查看收件箱中的确认邮件，你可以在其中调整偏好设置，还可以加入更多群组。

在你喜爱的社交媒体平台上关注 TNS。

在 LinkedIn 上关注 TNS。

在等待第一期 TNS 新闻简报期间，不妨先看看最新的精选与热门报道。

随着越来越多的公司将 AI Agent 接入内部数据系统的最深处，它们如何确保这些 Agent 真正理解企业的运作方式？目前，许多组织仍不得不手动维护一个 Markdown 文件，并寄希望于每次业务发生变化时，都能抽出时间重写它。

Modus 则认为，自己找到了一种更好的办法。这家初创公司本周正式结束隐秘开发阶段，并已获得 1000 万美元融资。它正在构建一种业内逐渐称为“上下文仓库”（context warehouse）的系统：这一层与公司现有的数据仓库并行运行，持续梳理企业各个系统中的业务运作方式，并在 AI Agent 需要时，只向其提供这张业务地图中相关的部分。

具体来说，Modus 会从 GitHub、dbt、Jira、Snowflake 和 Postgres 等来源抓取相关资产，并通过一个名为 Context Miner 的系统，持续学习企业的运作方式。挖掘出的信息会被转换为“动态生成的 skills”：这是一种简短、针对特定用途的资料简报，由另一套名为 Context Composer 的系统实时组装，并在 Agent 收到任务的那一刻交付给它。

Modus 联合创始人兼 CTO Tomer Mesika 告诉 The New Stack，这种挖掘会持续进行，并由其内部逻辑决定需要检查哪些内容，以及检查频率。

“我们设置了大量机制，用来判断应该从组织中挖掘什么、以怎样的频率挖掘、如何寻找变化、什么时候需要深入探查，以及什么时候不需要这样做。”Mesika 说道。

“我们设置了大量机制，用来判断应该从组织中挖掘什么、以怎样的频率挖掘、如何寻找变化、什么时候需要深入探查，以及什么时候不需要这样做。”

Modus 联合创始人兼 CEO Daniel Shimoni 直接用数据仓库作类比，以突出他试图弥合的缺口。他认为，公司多年来一直在建设用于存储和组织数据的基础设施，但对于构建在数据之上的业务理解，却没有任何与之对应的系统。

“数据仓库背后有一套逻辑——公司已经知道，数据仓库就是管理数据的地方。”Shimoni 告诉 The New Stack，“但它们在哪里管理上下文？它们究竟在哪里了解组织中存在哪些上下文，并利用这些上下文确保 Agent 只获得真正需要的信息？”

Shimoni 表示，即便只是完成第一步，本身就已经足够困难。但随着业务变化，持续保持公司上下文的准确性则更加困难。

“我们注意到，第一次构建上下文本身就已经是一项挑战，但维护上下文才是更大的问题。”Shimoni 说道，“因此，Modus 会不断从公司的实际活动中学习。每当业务发生变动或变化时，它都会确保只把相关且最新的上下文提供给 Agent。”

“第一次构建上下文本身就已经是一项挑战，但维护上下文才是更大的问题。”

谁会购买，以及成本为何重要

Shimoni 表示，Modus 的目标客户包括工程团队、CTO 办公室、研发副总裁、数据团队，以及一个较新的团队类别——AI 团队。

“去年还没有多少 AI 团队；现在看来，很多数据团队正在向数据与 AI 副总裁团队或 AI 赋能团队转型。”Shimoni 说道，“所以，我们真正面向的是那些肩负组织 AI 赋能使命的人，他们需要确保 AI 能够在整个组织中规模化应用。”

如果能够承诺帮助企业削减成本，那么向企业推销一个亮眼的新型上下文仓库就会容易得多。今年，支出已经成为企业采用 AI 时最具代表性的焦虑之一：公司为了寻找更便宜的模型而不断更换提供商，甚至有整套经济模型围绕单个 token 的价格建立起来。

“你希望让更大的模型处理繁重而复杂的任务，从而创造巨大价值。问题在于，它们把大量精力和大量 token 消耗在了琐碎任务上。”

Mesika 表示，这是 Modus 运作方式的核心组成部分。他认为，frontier model 最终会把相当一部分 token 预算花在与实际回答问题无关的工作上。

“你希望让更大的模型处理繁重而复杂的任务，从而创造巨大价值。”Mesika 说道，“问题在于，它们把大量精力和大量 token 消耗在了琐碎任务上。”

按照 Mesika 的说法，这些琐碎任务包括翻查 pull request 或 Jira ticket，只为判断哪些信息相关，然后 Agent 才能开始执行分配给它的工作。

解决这个问题的一种方式，是把信息筛选工作交给更小、更便宜的模型。Mesika 表示，Modus 又向前推进了一步：它不会等到问题提出时才检索上下文，而是将小型语言模型与搜索引擎、向量搜索和图数据库结合起来，提前构建整套系统，让它们在后台持续完成这项工作。等到昂贵的 frontier model 介入时，拿到的永远都是一份已经整理完成、仅包含其所需信息的简报。

“所有人都在讨论上下文”

在离开原有岗位、于 2025 年 9 月共同创办 Modus 之前，Shimoni 和 Mesika 分别就职于两家以数据为核心的公司：前者来自 go-to-market 数据平台 Lusha，后者来自网络安全数据公司 Cyera。

两人已经相识多年。在此前一年中，他们花了大量时间交流各自的观察，并发现自己在截然不同的工作中遇到了同一个问题。

“我们认为，这是一个值得解决的问题。现在看来，我们判断得非常准确，因为所有人都在讨论上下文。”

“其中一些挑战非常相似——我们该如何把大量不同的数据资产整合到同一个地方，让 AI 可以在其中工作？”Shimoni 说道，“我们开始注意到，这正是缺失的一环：如何让 AI 有把握地在整个公司范围内规模化运行。我们认为，这是一个值得解决的问题。现在看来，我们判断得非常准确，因为所有人都在讨论上下文。”

Modus 成立后不久便完成了一轮此前未公布的 1000 万美元种子轮融资，由 Insight Partners 领投。其他投资方包括 Soma Capital 和多位天使投资人，其中包括 Cyera 与 Wix.com 的创始人。公司于 2026 年 1 月开始招聘首批员工。

Modus 的主张所传达出的更广泛结论，如今已成为今年 AI 圈最常听到的论调之一：模型本身已经不再是瓶颈；现在限制 AI 系统的，是围绕模型构建的一切。对于 Modus 而言，这一认识几乎从公司创立之初便已存在。

“即使在去年……我们也已经看出，模型能力并不是瓶颈。”Shimoni 说道，“更重要的是确保它们真正能够访问所需的上下文，从而给出正确答案。”