智能体上下文层：企业错误捕获能力倍增
企业AI上下文治理现状
在对101家企业的调查中，AI智能体获取的上下文信息频繁且反复出现失效情况。过去六个月内，高达68%的企业将自信但错误的智能体回答追溯到缺失或不一致的业务上下文，而最常见的回答并非”一次”，而是”多次”。令人意外的是，报告这一现象的企业类型呈现反直觉分布：构建或运行受控语义层的企业（指包含特定公司定义和关系的层级）报告的重复失败率是没有此类企业的两倍多。
上下文治理现状分析
目前为修复糟糕上下文而构建的基础设施，大多只是揭示了糟糕上下文的普遍存在。与此同时，旨在解决问题的架构完全没有共识：混合检索和彻底的多元主义仅相差一名受访者，形成平局。
本项调查研究了企业RAG（检索增强生成）和上下文层：什么为智能体提供业务上下文、企业运行哪些检索系统、他们如何购买和评估这些系统、架构的发展方向，以及最具揭示性的——上下文已多次失效的频率。
核心发现：上下文失效已成常态
中央发现是，上下文失败不再是个别事件，而是一种持续状态。68%的企业表示，在过去六个月中，其AI智能体产生了自信但错误的回答，他们将这些错误归因于缺失或不一致的业务上下文，而非模型错误。比总数更引人注目的是其分布形态：37%报告失败反复出现，而32%只观察到一次。在能够回答的企业中，在公司数据上运行智能体的最普遍体验是：因与模型无关的原因而反复出错。
语义层：揭示问题而非制造问题
行业公认的解决方案——为智能体和商业智能提供数据共享理解的受控语义或上下文层——正在大规模构建：32%的企业已在生产环境中运行此类层，另有31%正在试点或构建，还有20%正在评估。但交叉分析结果令人不安：构建或构建层的企业报告的重复上下文失败率为50%，而未构建此类层的企业为21%。该层并非导致失败，而是捕获了这些失败，这使本次调查中最有价值的发现得以呈现。语义层使上下文缺陷变得可追溯。没有此层的企业并非失败更少，而是归因的失败更少。
检索系统架构尚未形成统一标准
在基础层面，栈的动荡程度超出预期。检索仍然是主要上下文来源（31%），而提供商原生检索——OpenAI的文件搜索（46%）和Google Vertex AI搜索（41%）——仍然远超任何专用向量数据库。但预期的架构没有获得多数支持：混合检索（30%）和”按用例选择多种架构”（29%）仅相差一名受访者。企业仍然坚决不愿将上下文层交给提供商——只有12%打算整合到单一模型提供商的原生上下文堆栈，而37%坚持最佳组合，37%计划明确混合使用。
购买标准体现商业影响
购买标准是失败开始商业化体现的领域。访问控制和权限管理（24%）与数据摄取便捷性（24%）并列为首要选择因素，而响应正确性是38%企业的首要成功指标。企业开始购买检索系统，看重的是治理上下文的属性，而非移动数据的属性。
调查方法
本次调查作为VentureBeat持续进行的Pulse研究系列的一部分进行。该调查聚焦于企业RAG基础设施和上下文层——为AI智能体提供服务的检索系统、语义层和上下文来源。回复过滤为拥有100名以上员工的组织（n=101）。所有回复均来自单次2026年7月的调查波，因此报告呈现的是横截面数据，不推断月度趋势。多个问题为多选；这些份额以受访者百分比而非总选择数报告，因此总和可能超过100%。
按组织规模，样本集中在中型市场：101-250名员工（34%）、1,001-5,000名员工（25%）和251-1,000名员工（25%）领先，其后是10,001+名员工（12%）和5,001-10,000名员工（5%）。按角色划分，包括经理（39%）、个人贡献者（29%）、副总裁和总监（22%）以及C级高管（9%）；在购买决策权方面，具有可信度，38%为最终决策者，另有43%为推荐人或影响者。技术/软件是最大的行业，占31%，其次是医疗保健/生命科学（14%）、零售/电子商务（10%）和制造业（9%）。
关于上下文失败基数：在101名受访者中，10名要么不在企业数据上运行智能体（5%），要么不在此层面追踪根本原因（5%）。失败问题的头条份额基于全部101人报告；发现2中的子组比较使用91名能够给出是或否回答的受访者，因为包括那些无法观察失败的受访者会使比较偏向于任何装备较少的群体。子组单元格从约10到62名受访者不等，因此相应粗糙；当单元格低于10时，不报告为百分比。少数受访者选择”其他”，并给出了未映射到所列类别的行业（6%）或角色（2%）；这些份额在附录中显示为未说明，而非重新分配。
在101名受访者中，这是一个适度的样本，应作为方向性信号而非精确测量来阅读；它是自我选择的，并非概率样本。最好将其视为积极构建RAG和上下文基础设施的组织的观点，而非最大运营商的观点。
发现一：自信、错误且反复出现
最常见的回答不是”一次”而是”多次”
我们询问企业在过去六个月内是否将自信但错误的智能体回答追溯到缺失或不一致的业务上下文，而非模型错误。大多数企业确实经历了这种情况，且其中大多数多次目睹这一现象。
这是本报告的定义性数据。68%的企业遇到过AI智能体产生自信的错误回答，他们将其归因于糟糕的上下文——错误的指标定义、过时的数据、缺失的文档，而重复案例（37%）超过一次性案例（32%）。只有22%报告没有此类失败。限制在能够观察和归因失败的91家企业中，76%经历过，41%多次经历。
这种失败模式特定且危险，恰恰因为它看起来不像失败。模型并非明显地产生幻觉；它自信地给出错误答案，是因为提供给它的上下文薄弱、过时或不一致——并且它以与正确答案相同的权威性传递那个错误答案。最常见的体验是重复而非单次事件，这一事实比份额本身更重要：一次性失败是需要修复的事件，而重复性事件表明业务上下文到达智能体的方式存在结构性缺陷。本报告中的所有内容——企业检索什么、如何治理以及计划构建什么——都是此问题的下游影响。
发现二：语义层在修复前揭示失败
构建受控层的企业报告更多重复失败，而非更少
我们询问企业是否使用受控语义或上下文层为智能体和商业智能提供对其数据的共享理解。大多数企业正在这条道路上——将该回答与发现1中的失败进行交叉分析，产生了本次调查最引人注目的结果：构建或构建层的企业报告的重复上下文失败率为50%，而没有此层的企业为21%。该层并非导致失败，而是捕获了这些失败，这使本次调查中最有价值的发现得以呈现。语义层使上下文缺陷变得可追溯。没有此层的企业并非失败更少，而是归因的失败更少。
关注微信号：智享开源，及时了解更新信息。
公众号：智享开源
还没有任何评论，你来说两句吧！