本文深入解析了企业上下文在大模型学习中的重要性通过“数据接入—知识加工—任务检索—应用执行”的流程结合开源项目MyContext的技术实现详细介绍了千问办公的产品能力。文章还探讨了面向企业部署的扩展设计帮助读者全面理解并应用企业上下文技术提升工作效率。“按最新政策给客户准备报价”背后可能是一串跨系统工作确认群聊需求查找产品文档核对邮件约定再检查政策版本和提交权限。千问办公的“企业上下文”围绕这些分散的消息、文件和流程信息展开。它连接企业 IM、云盘、邮件、日程、审批等系统为 AI 提供有来源、有时效、有权限边界的任务背景再结合工具调用完成业务动作。本文沿着“数据接入—知识加工—任务检索—应用执行”展开用千问办公的公开资料介绍产品能力以开源项目 MyContext 拆解具体的技术实现最后讨论面向企业部署的扩展设计。图 0MyContext 总架构。①—⑤标出数据进入 kl-graph 的路径Loader 读取标准文件后两阶段加工产物通过存储接口写入各库库内 A、B 分别标明 Phase A、Phase B 生成的数据。各来源独立导出、建图。V 表示账号的独立工作空间 Vault虚线表示默认关闭的工作知识加工链路。第一章企业上下文如何支撑任务闭环1 从协作能力到完整任务2026 年 9 月千问办公发布 Enterprise Context提出企业数据的压缩、结构化、动态维护和任务相关检索。阿里云产品页在“企业 IM 完整打通”下介绍了 25 项能力包括文档与表格生成、消息群聊读取、会议日程邀约、考勤审批管理以及知识库和邮件读写。这些能力提供操作接口企业上下文组织背景、规则和状态Agent 负责把步骤编排起来。以“安排客户方案评审”为例任务可以这样展开流程 1客户方案评审的任务闭环这条链路分别管理数据读取、方案生成和业务执行。读取申请单使用数据权限批准申请使用操作授权创建会议后日程系统返回的会议标识和状态构成任务完成的依据。图 1企业数据、上下文服务与任务应用之间的能力关系。2 数据来源决定了上下文的用途来源系统提供的信息任务如何使用IM 单聊、群聊需求、讨论、临时决定、进度变化理解问题补齐决策过程通知协作方云盘、文档与知识库制度、产品资料、手册、合同模板查找正式依据生成交付物邮件客户往来、附件、商务约定核对外部要求起草或发送邮件日程、会议与听记时间、参与者、纪要、行动项安排协作查询决策跟进待办考勤与审批申请、审批链路、处理状态判断进度按授权发起或处理动作业务系统客户、产品、订单、库存等权威状态校验条件计算结果提交变更系统接口、版本和账号授权决定数据读取与操作范围。库存、审批结果和当前价格等实时状态的核验放在业务执行环节通过对应系统的接口取得最新值。公开案例中古茗将飞书文档、知识库、答疑群和培训日程汇聚到运营知识空间富立卡让询盘、报价、合同等数字员工复用协作上下文。它们分别展示了资料聚合与连续业务任务中的上下文使用。3 一次任务需要四类上下文上下文回答的问题关键内容知识与证据发生过什么依据在哪里来源记录、事实、原文任务与状态当前工作采用什么口径业务状态、规则版本、生效时间身份与权限谁能读什么、做什么资源权限、工具授权、审批要求执行与结果工作是否真正完成业务回执、交付物、后续状态RAG 可以为回答补充证据也可以接入权限与元数据。企业上下文进一步要求这些信息持续更新、跨任务复用并与执行身份和业务结果连接起来。第二章数据接入把分散记录变成可靠数据流MyContext 通过来源插件采集钉钉和飞书数据以 SQLite 保存业务记录再由 Python 知识服务和 Agent 运行时完成加工、检索与应用。图 2来源读取、规范化落库与独立消费者。不同来源使用各自的存储与图谱。1 接入平台后究竟读到了什么数据来源保存的内容后续用途钉钉聊天会话、正文、发送者、时间、引用标识消息检索、知识抽取主渠道还用于画像与分身钉钉云盘与知识库元数据及成功读取的 Markdown 正文元数据用于资源展示正文进入知识加工钉钉听记会议元数据、摘要、已取得的转写对已采集的会议材料进行检索与事实抽取飞书聊天会话、正文、发送者与时间进入飞书独立知识空间通过只读渠道提供检索飞书云文档标题、链接、类型、编辑时间元数据用于资源发现与展示人员标识来自消息发送者及本人身份确认用于关联发言、知识与画像。组织、岗位和汇报关系属于企业主数据可通过 HR 或组织通讯录补齐。桌面导出提供聊天、文档和会议三类输入加载器另预留邮件、日历等扩展接口。2 一次采集怎样驱动多个应用流程 2可靠数据流与下游应用记录与变更日志在同一事务中提交下游消费者据此发现新增或变化的记录。各消费者维护独立进度内容变更通过日志驱动后续加工重复拉取相同内容时沿用原有记录。处理依赖按输入设置Forge 统计直接读取聊天从图谱聊天片段归纳工作套路则等待建图完成。接入事务负责业务库中的一致性图库与向量索引的更新由后续加工流程承担。3 每个来源都有独立的数据库与图谱隔离对象保存方式不同账号各自拥有独立 Vault钉钉与飞书业务数据各自使用一个 core.sqlite不同来源的知识产物各自维护内容库、图库、向量索引、抽取缓存及服务端口“每个来源独立一套”落实在文件、目录和服务端口上跨来源搜索在查询时汇总各库结果。分库负责账号与来源隔离企业共享场景中的资源访问和数据加密分别由访问控制与存储安全机制负责。4 监听与学习是两种用途使用范围用途是否进入长期知识监听范围处理当前新消息、起草回复用于当前轮次长期收录另按学习范围筛选聊天学习范围建立聊天知识与画像经过学习资格、会话和时间筛选聊天、文档和会议采用各自的筛选路径。聊天加工会排除空正文与分身自产消息文档和会议按各自的来源范围处理。个人 Vault 收录账号采集到的资料面向组织共享时再通过统一的资源权限管理建立成员各自可见的知识视图。第三章知识加工kl-graph 如何把记录变成可用知识kl-graph 是 Python 知识构建与检索子系统组合了内容存储、图存储、向量索引和抽取缓存。它把材料加工成可以查询、关联和回溯证据的知识。图 3知识加工与内部存储。社区聚合是默认关闭的扩展能力。1 数据投影与两阶段加工“数据投影”把规范化记录转换为知识服务的稳定输入。每类材料包含清单、来源范围、正文记录和关联资源保留会话、文档或会议的身份与元数据。流程 3数据投影与两阶段知识加工Phase 表示处理阶段。Phase A 完成原文切块、全文索引和 Embedding先让材料可检索Phase B 调用生成式模型抽取实体与事实并借助缓存和检查点复用处理结果。聊天的检索块可以包含连续对话抽取则以目标消息为中心把邻近消息作为背景帮助模型区分发言者和目标信息。文档问答依赖已读取的正文会议检索以已采集的摘要和转写为范围材料完整度直接影响回答的覆盖度。2 事实如何回到原文假设一份虚构纪要写道“张三决定采用方案 A李四在周五前提交验证结果。”系统可以形成决策和行动项再关联人员、方案与原文流程 4事实、实体与原文的证据关系将抽取结果关联回证据块称为“证据投影”。数据投影负责准备输入证据投影负责追溯结论。Fact 保存材料中的陈述包括意见、计划、决策和行动项。置信度描述抽取结果的可靠程度审批结果、订单状态等业务事实以对应业务系统的记录为依据。3 数据分别保存在哪里存储数据如何生成保存什么使用位置SQLite core.sqlite渠道插件采集并规范化来源记录、规范数据、变更日志、运行状态展示、导出、画像输入、分身编排SQLite knowledge.dbPhase A 写入文本块与来源Phase B 追加实体与事实文本块、实体与事实正文、来源映射、FTS、构建工作集原文读取、关键词检索、事实展示、加工恢复LadybugDB graph.ladybug混合存储适配器双写Phase A 写来源与文本块节点Phase B 写实体、事实节点及结构边图节点、关联关系与证据链邻接扩展、关系遍历、路径查询Zvec zvec_dataEmbedding 服务生成Phase A 计算文本块向量Phase B 计算实体与事实向量向量及对应对象标识、检索元数据语义召回SQLite extraction_cache.dbPhase B 保存模型成功返回的抽取结果抽取响应及模型、提示词、策略版本指纹建图复用、重试与恢复图谱输入文件是这四类存储的共同材料来源。kl-server 收到 /ingest 请求后按导出目录和来源标识启动加工Loader 从聊天、文档、会议目录读取记录Phase A 先形成文本块和来源信息Phase B 在这些材料上抽取知识再分别保存正文、图结构和向量。内容与图库通过混合存储适配器双写SQLite 保存完整正文及元数据LadybugDB 保存对应图节点和结构边。Embedding 结果经向量接口写入 Zvec模型成功返回的抽取响应经缓存接口保存后续建图可以复用。四类存储共同组成知识底座支撑原文读取、关系遍历与语义召回。社区划分与摘要按需启用和构建。本地数据库负责数据落盘Embedding、知识抽取和回复生成则按运行配置调用模型服务使用远程模型时相应处理发生在远程服务端。第四章任务检索把长期知识组装成当前上下文一次任务通常用到长期知识中的少量内容。检索负责找出相关事实与证据再按搜索范围和任务要求组装上下文。图 4各图谱内部完成多路检索再汇总跨来源结果本地聊天全文索引提供降级召回。1 关键词、语义与关系怎样配合流程 5多路检索与跨来源汇总RRF 按各路检索的排名累计贡献将不同检索方式的结果放到同一排序中。金额、责任人、截止日期和适用条件连同原文证据一起组织便于在回答中核对。搜索 Agent 根据任务选择图谱检索、来源系统接口或降级索引并在授权范围内读取资料。工具执行记录可用于追踪每轮搜索采用的检索路径。2 不同问题采用不同证据粒度问题类型检索方式使用条件“谁决定暂停方案 A”实体、事实与原文限定相关对象回溯直接证据“团队近期有哪些风险”社区摘要分组分析再汇总社区功能已启用并完成构建“过去一个月发生了什么”在召回后核对证据时间按原始证据时间筛选图谱或 Agent 路径不可用本地全文降级对已索引的聊天消息进行关键词召回3 跨来源汇总与身份关联钉钉和飞书各自维护图谱查询时分别检索再将带有来源标识的结果汇总到回答中。人员标识也保留所属平台企业化扩展可以借助稳定用户标识与组织映射建立跨平台的身份关联。不同来源提供的证据粒度也不同飞书云文档提供标题与链接等资源信息聊天降级索引提供消息原文。文档内容与会议决策的问答则依赖已进入知识加工的正文、摘要和转写。4 加工产物最终用到了哪里产物使用者作用聊天全文索引搜索降级、会话历史召回查找旧消息与精确文本文本块、实体、事实与证据关系问答、事实浏览、人物关系解释发生了什么、依据在哪里主渠道相关事实数字分身记忆补充当前会话的业务背景Forge 表达与互动画像数字分身技能参考本人表达与联系人互动方式工作维度与处理套路数字分身工作参考提供职责、流程、交付要求当前消息、图片、用户指引本轮回复生成理解眼前问题与用户要求MyContext 的应用包括搜索问答、事实浏览、人物关系探索和消息分身。报价、合同、ERP 写入等业务应用可以沿用知识检索链路再接入各自的实时状态查询与授权操作工具。第五章数字分身如何工作自动处理与人工介入同事在群里 你询问“上次讨论的交付方案定了吗”MyContext 数字分身会读取当前对话召回相关讨论和事实参考你的表达习惯起草回复。默认模式下回复进入草稿箱由你确认发送、编辑或丢弃。这条消息工作流由三方协作数字分身负责理解、检索和起草宿主程序负责接收消息、检查规则、执行投递用户设定工作范围并在需要时审核或接管。MyContext 当前主要通过钉钉主渠道运行这套流程。图 5机器人标识数字分身人物标识人工介入齿轮标识宿主程序自动发送与人工确认汇合到同一条投递链路。1 工作之前先准备知识与画像知识准备在后台随采集与加工更新。每轮回复按需使用已有产物三类参考分别回答“怎么说”“按什么规矩处理”和“依据是什么”。长期参考来源与加工回复时如何使用Forge 表达与互动画像主渠道聊天与本人身份经本地规则和统计形成 persona.db 与技能参考参考本人措辞、表达习惯及联系人互动方式工作参考默认关闭模型从本人发言归纳职责与规则结合文档、会议背景及聊天处理套路形成 work.md补充职责、流程、交付要求与工作规矩kl-graph 业务记忆聊天、文档正文与会议材料形成实体、事实和证据关系召回与当前问题相关的事实并保留来源依据本人消息用于测量表达习惯其他人的消息用于理解互动关系分身自产消息会被排除避免画像反复学习自身输出。画像按账号复用宿主预取的事实和历史按当前会话检索工具读取遵循各自的访问范围。2 一条消息怎样进入数字分身流程 6数字分身的一轮自动消息处理群聊默认通过 本人触发私聊默认关闭主动触发。通过准入的消息进入持久化收件箱按会话去重与合批桌面服务默认等待约 25 秒静默期把连续气泡作为一轮处理。不同会话维护独立状态。生成层优先使用 Agent 读取技能参考和查询知识。Agent 不可用或未返回正文时直接调用模型并提供当前会话历史召回工具。图谱查询不可用时起草仍可使用当前对话和已有画像图片用于本轮理解长期图谱加工以文本为主。3 哪些地方需要用户介入用户首先绑定身份和渠道授权选择学习范围、触发条件与回复模式。之后是否需要逐条审核由模式和宿主检查结果决定。回复模式自动完成的部分用户何时介入draft默认理解问题、召回资料、生成并保存草稿用户查看正文选择发送、编辑后发送或丢弃| auto | 起草后检查场景、正文、时效、工作时间与频率通过后尝试发送 | 转前面的 MyContext 案例展示了采集、加工、检索与个人消息处理。本章结合千问办公公开介绍的数字员工、协作空间和安全中心展开面向组织协作的架构设计。图 6围绕千问办公公开能力展开的参考架构。机器人表示数字员工人物表示人工审批来源、加工、存储、协作与执行分层组织企业治理贯穿数据使用和业务操作。1 企业、团队与项目上下文怎样共享企业资料可以按组织、团队和项目组织成员与数字员工根据身份和授权取得当前任务需要的部分。不同组织的任务历史和内容资产相互隔离组织内部的共享范围则由资源权限和协作规则确定。上下文范围典型材料使用方式企业或岗位制度、产品手册、标准流程为授权成员和数字员工提供通用工作依据团队或项目群聊、项目文档、客户往来、会议纪要关联同一业务的讨论、要求与决策供协作成员按权限使用个人授权范围私聊、个人文件和用户指引按本人及明确授权主体的范围提供任务背景技术上可为材料关联组织、资源标识、来源版本和访问范围。检索时先确定执行身份与授权资源再按任务相关性筛选摘要或事实仍保留原文关联方便核对依据。项目空间聚合资料时也需要分别校验其中每项资源的访问权限。2 数字员工怎样围绕同一任务协作千问办公介绍的数字员工具有名称、所属部门、负责人、岗位职责、授权范围和生命周期管理员可以停用执行记录可以追溯到该身份。企业可以把团队成员和数字员工加入协作空间关联群聊、文档和知识库中的信息统一沉淀产出与进度。富立卡的公开案例配置了查询、报价和合同三个数字员工共享同一笔业务的上下文并分工处理。围绕这类业务可将接续工作设计为以下链路流程 8数字员工围绕同一业务协作这条链路以同一业务标识串联需求、报价、审批与合同。每个数字员工读取自己承担步骤所需的资料产出带有来源和状态的结果再交给下一角色。协作空间保存业务进展与交付物避免后续任务反复查找和转述。3 业务变化怎样进入最新上下文企业上下文随业务变化维护信息。价格更新、项目决定变化、审批完成或资料撤权都会影响下一次任务应采用的依据。可以按变化类型分别处理业务变化上下文的更新方式新增讨论、邮件或会议纪要补充线索、行动项及来源证据制度、价格或产品资料修订更新受影响的摘要与索引保留生效时间和适用范围订单、日程或审批状态变化更新任务进度执行前通过业务接口核对当前值资料删除、成员退出或授权撤销限制后续访问定位并处理相关摘要、缓存和任务引用实现时可建立原文与摘要、事实、索引之间的依赖关系按来源版本定位受影响的产物进行局部重算或失效处理。权限校验覆盖检索、上下文装配和工具执行汇总多份材料的摘要也应在当前身份的授权范围内生成和使用。MyContext 的导出和建图进度展示了一种加工水位机制企业服务可借此判断新材料是否已进入检索产物。业务执行还需要结合正式发布、审批状态、生效时间和适用范围核对口径价格、库存和审批结果等实时值在提交操作前读取对应系统。4 数据访问与业务操作怎样受控上下文服务提供任务背景与依据Agent 编排工作步骤业务工具执行具体操作。千问办公公开介绍的安全中心统一管理数据访问、工具调用和任务执行结合运行沙箱、最小权限、高风险操作审批与全程审计划定数字员工的工作边界。在实现架构中可把执行前检查、人工确认和结果核验连接为一条受控链路流程 9受控执行与上下文结果回写审批结果应关联提案内容及版本获批后重新核对执行条件避免批准期间发生的价格或状态变化影响操作。业务系统以应用或连接器接入保留原有业务界面、数据与流程Agent 按授权调用工具将可保存的结果交回系统。执行记录串联发起人、数字员工身份、使用的数据、审批、工具调用与业务回执。成功后回写任务状态和产出接口超时则先查询外部结果再决定是否重试。长任务和多节点部署可采用持久化队列、幂等处理、租约与故障接管让工作能够恢复并持续保留清晰的操作记录。大模型的知识又多又杂到底怎么学做这行久了被问最多的问题就一个大模型的知识又多又杂我到底先学啥翻了一堆资料看啥都像重点结果啥都没学进去。今天把我自己一路摸出来的顺序捋一遍零基础、应届生、转行的都适用。跟着走至少方向不乱、不瞎忙学完拿得出手。第一阶段10天初阶应用这一阶段就一个目标把大模型真正玩明白不是只会聊天那种而是能调教它、能用代码把大模型和业务接起来。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用这阶段正式进实战目标很实在做出两个能拿出手的东西——一个私有知识库一个 agent 对话机器人。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…走完这 30 天Python 或 JavaScript 背景的基本能独立做一套 RAG 应用简历上也敢写大模型应用开发了。第三阶段约20天动手微调学到这你已经开始 “造” 模型了 —— 通过微调搞出垂直领域的专用小模型。为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你从 “只会用” 变成 “能造” 的 AI 小子。那么你还想往下探索吗想要入局AI大模型赛道、抢占行业红利的朋友微信扫描下方CSDN官方认证二维码即可100%免费领取全套学习资料第四阶段20天商业闭环部署落地技术学完落地才算数。这阶段带你搞明白大模型怎么真正跑起来、用起来。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…想要入坑大模型的朋友给大家准备了一份2026 年最新 AI 大模型全套学习资料1、大模型系统化学习路线2、大模型学习视频教程3、大模型学习书籍电子文档4、AI大模型最新行业报告5、大模型项目实战配套源码6、2026大模型大厂面试真题7、为什么要学习大模型我国在A大模型领域面临人才短缺,数量与质量均落后于发达国家。2023年人才缺口已超百万凸显培养不足。随着AI技术飞速发展预计到2025年,这一缺口将急剧扩大至400万,严重制约我国AI产业的创新步伐。加强人才培养,优化教育体系,国际合作并进是破解困局、推动AI发展的关键。8、适合谁学传统后端 / Java / 前端开发想转型 AI 应用大学生、应届生想拿更好的 offer产品经理、运营想武装职业竞争力技术负责人想给团队落地提效学习是反人性的但回报是真金白银。技术会更新赛道会切换但只要你先动手机会就永远站在你这边。9、这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。想要入局AI大模型赛道、抢占行业红利的朋友微信扫描下方CSDN官方认证二维码即可100%免费领取全套学习资料好了就写到这。路线是死的人是活的卡住了随时来问我。觉得有用就点个收藏别让它进收藏夹吃灰——动起来比啥都强。