一句话：与其让智能体每次都重新认识你的公司，不如先把「业务地图」画好
Egnyte 于 9 月 15 日发布 Context Layer，它想解决的是企业智能体一个被低估的成本黑洞：AI 每次接到问题，都得先自己找出哪些文件相关、哪个版本最新、它和哪个项目及人有关，再拼出足够的上下文才能作答。Egnyte 的做法是先把这个「业务上下文」一次性映射成一张关系地图，让智能体从一开始就站在已经组织好的认知上工作，而不是每次都从头搜索。它来自 secure content collaboration 领域，本身已坐在企业最关键内容的上方。
为什么值得看：模型越来越易得，差的是「懂不懂你的业务」
企业 AI 过去一年把注意力压在模型上——更大、更快、更专。但模型越容易获取，差异化就越从「模型多强」滑向「AI 懂不懂你的业务」。一个项目不只是一堆文件，它有负责人、团队、截止日、交付物、客户、合同与历史；一份文档的意义来自它代表什么、谁建的、属于哪个项目、前后版本是什么、什么规则管着它。这些就是业务上下文。Egnyte 的逻辑是：既然每个企业已经在这些内容、活动与决策里持续产生受治理的信息，不如把它们连成上下文，给 AI 一个更深理解工作的起点。Context Layer 把内容关联到人员、项目、权限、业务系统与行业知识，且只把每个用户被授权看到的信息喂给对应智能体。
机制拆解：先画地图，再按任务裁剪
它的工作方式分几步。先是「从内容建理解」：非结构化内容被 enriched 上元数据、分类、用户关系与组织知识，再跨系统、跨活动把关系映射出来，供当前任务取用。然后是「给智能体正确的上下文」：不是把一张巨大静态地图甩给每次交互，而是按每个智能体负责的活儿，组装出它真正需要的那块上下文——评审合同的代理和准备项目提案的代理，拿到的上下文本就不同；金融工作流和建筑工程工作流也各取所需。最后是「在既有环境里运行」：可信上下文通过 Egnyte AI、任务型代理与工作流，以及经 MCP 对外连接的平台统一可用，并始终留在已有的访问控制与治理之内。Context Layer 还延伸到行业场景，比如在 Autodesk University 展示的建筑、工程与施工（AEC）能力。
实验读数：内部基准称准确率最高提升 94%、token 降 97%
Egnyte 在 1800 份文档的语料上做了对照：模型、智能体、文档与问题都保持不变，只变智能体可用的上下文。前一组用传统混合检索加 agentic RAG 循环，自己边搜边拼关系；后一组用 Context Layer，业务上下文提前围绕内容组织好。差异显著：答案准确率最高提升 94%，每次查询的 token 减少 97%，响应快 77%。需要冷静看待的是，这是厂商自述口径——它自己也说不同客户因工作负载、模型、数据与检索方式不同，不会人人拿到 97% 的降幅；但方向成立：当 AI 从一开始就聚焦相关信息，它要处理的内容更少，扩展成本更低。
优势与局限：把上下文做成底座，而非每次现找
它的长处是把「上下文供给」从每次请求的重复劳动，下沉成一层可复用、受治理的基础设施，顺带把准确率、时延与成本三件事一起改善，并直接服务金融、生命科学、媒体与 AEC 等垂直工作流。局限也要点明：其一，基准是厂商内部口径，缺少独立第三方复现；其二，Context Layer 的价值高度依赖企业内容治理的成熟度——元数据与权限越干净，地图越准；其三，关于跨异构系统的实时同步延迟与大规模租户下的图更新成本，目前官方及行业暂未披露更多细节，后续将持续跟进迭代动态。它补的是 Agent 落地里常被跳过的一块地基。
结语
Egnyte 这步不性感，却戳中了企业智能体的真实痛点：多数失败不是模型不够聪明，而是每次都让模型从零重建业务认知。把上下文做成底座，让智能体带着地图上岗，准确率、速度与成本才可能一起好起来。当模型趋同，谁更懂业务，谁才更像壁垒。