Context System 如何被 Agent 用好？关键在这个技术设计

本文技术定位：本文介绍的 Context System，是 Tezign GEA 核心技术体系中专门负责「企业知识供给」的基础设施层。GEA 系统的推理质量，都取决于 Context System 在运行时能提供多精准、多完整的企业上下文。理解这项技术，是理解「GEA 为什么越用越懂这家企业」的关键一步。

很多企业在部署 Agent 的过程中，总会遇到一个问题：Agent 能执行任务，但不了解这家公司。

不是工具调用失败，不是模型能力不够。是 Agent 在推理时缺少足够的上下文来做出「符合这家公司」的判断——它知道怎么生成内容，但不知道这家公司的品牌语气是什么，哪些表达被禁止，历史上同类项目用过什么素材，目标消费者的偏好结构是什么。每次任务开始，Agent 实际上是对这家公司一无所知的。

这不是提示词能解决的问题。提示词能传递的上下文量级，远低于一家经营超过十年的品牌所积累的资产规模。这个客户的内容库超过 80 万件，跨越多个产品线、多个市场、多年的视觉语言演变。Agent 需要在任务推理过程中实时访问这些资产，并把相关上下文准确注入推理链——而这件事没有现成的系统能做到。

所以我们建立了 Context System。它是特赞 GEA 核心技术之一，专门负责解决「Agent 推理时缺少企业上下文」的问题。它不是独立的检索工具，而是 GEA 架构中连接企业知识资产与 Agent 推理链的基础设施层——SWM 理解消费者，CRM 编排发散推理，而 Context System 决定这两个模型在推理时能「看到」什么。没有它，Agent 的能力上限由提示词长度决定；有了它，Agent 的能力上限由企业积累的资产深度决定。

Agent 的运行时上下文需求

一个执行内容任务的 Agent 对上下文的需求模式，和人的检索行为有本质区别。

人在工作时通常是「一次性检索」——输入关键词，浏览结果，靠自己的判断力筛选和组合。但 Agent 在单次任务里是「多轮级联检索」：先召回品牌规范，再根据品牌规范的内容去匹配历史相似素材，再根据素材的特征确认该市场的合规约束。每轮检索依赖前一轮的结果，且需要在推理等待窗口内完成——通常是百毫秒量级。结果必须足够精准，因为 Agent 不会像人一样在几十个结果里做二次判断，检索错误会沿着推理链向下传播。

更根本的问题是内容的信息密度。品牌内容资产里大部分有用的信息不在文字标签里——一张照片的视觉情绪、品牌一致性、和目标受众的视觉共鸣，没有办法用标签完整描述。传统文字检索对这类资产的精度存在天然上限——对于一个需要从 80 万件素材里召回最相关的 10 件的 Agent 来说，仅靠文字匹配意味着大量有用资产根本不会被检索到，Agent 最终是在缺失的上下文上做推理。

这意味着 Agent 需要一套从结构上不同的上下文供给方式：不是单次关键词匹配，而是多路语义并行的运行时认知底座。这就是 Context System 的设计起点。

Context System 的架构

我们把 Context System 定义为 Agent 的运行时认知底座：Agent 在执行任务时从这里取上下文，而不是每次都从零开始推理。

核心是五路并行召回，而不是单一的文字匹配：

图像内容向量：将图像通过视觉编码器（CLIP）转化为高维向量。Agent 需要「阳光户外女性」这类语义时，不依赖文字标注，直接在向量空间里做相似度匹配。

文本语义向量：对标注文本和描述字段做向量化，处理文字说明完整的资产，与图像向量互补。

标签倒排索引：处理确定性查询——资产编号、项目名、特定关键词。这条路径快且精确，适合 Agent 需要召回特定已知资产时。

知识图谱：存储品牌、产品、场景、受众的结构化关系。当 Agent 需要处理「XX 产品面向欧洲市场 Q3 投放」这类任务时，知识图谱能理解实体关联，把检索范围收窄到正确的上下文集合。

视觉色彩特征：对每张图片提取主色调和色彩直方图，构建可索引的色彩特征向量。让「过滤出主色调为品牌蓝的人像素材」变成可计算的条件——在向量空间中以色相、饱和度的加权距离做匹配，而不是靠人工事后校验。

五路并行召回后，在融合层按相关性分数和业务规则加权重排，返回 Agent 需要的上下文。混合召回相比单一文字搜索，在企业图片检索任务上的准确率有显著提升——图像向量捕捉视觉语义、知识图谱理解实体关联、色彩特征约束品牌一致性，每条路径各自解决文字标签无法覆盖的一个维度。

两个架构级的约束 让Context System 真正可用

把这套系统做到 Agent 可用，最难的地方不在算法，在两个架构级约束。

第一个是权限感知。企业内容资产有严格的权限控制——哪些素材哪个团队可见，哪些在审核中，哪些已下线。Agent 不同任务的执行身份不同，可见的上下文范围也不同。这意味着不能把所有向量放进全局池，权限校验必须在结果返回之前完成，而不是在查询完成后再做一层过滤（那样延迟会超过 Agent 的等待窗口）。

我们的解法是分层索引：稳定授权的内容离线做向量化，新上传的资产在线实时处理，受限内容走独立的权限管道，召回前完成身份核验。

第二个是推理状态连续性。Agent 处理复杂任务时需要多轮检索，且每轮检索依赖前几步的推理结果——「在这批结果里，只要横版构图的」「排除有人脸的」。系统必须保持推理上下文，把增量指令理解为对上一步结果的过滤，而不是重新走全流程。

维护推理过程中的状态，是 Agent 原生上下文系统与单次检索工具在架构上的基本差异。单次查询得到的是独立的结果集；Context System 需要理解「在上一轮结果的基础上，进一步约束」这一语义，把多轮检索串联为连续的推理步骤。

一个关键 Take Away

Context System 解决的核心问题是 Agent 在推理时缺少企业上下文。它不替代企业现有的内容管理系统，而是在其上构建面向 Agent 推理的运行时上下文层——让 Agent 在执行任务时知道这家公司是谁、使用什么语言、拥有哪些资产。

一个企业在 AI 时代的内容 Agent 能力，很大程度上取决于 Context System 的质量——它是 Agent 推理的起点。有了它，Agent 才不是在对这家公司一无所知的情况下做判断。

参考文献

Radford, A., Kim, J. W., Hallacy, C., et al., 2021. Learning Transferable Visual Models From Natural Language Supervision. ICML 2021, PMLR 139:8748-8763.

Riedler, M. & Langer, S., 2024. Beyond Text: Optimizing RAG with Multimodal Inputs for Industrial Applications. arXiv:2410.21943.