一个被严重低估的概念，正在决定 AI Agent 的生死：Context Graph

如果你觉得 AI Agent 的瓶颈在模型不够强，那你可能被误导了。在这期 Latent Space 访谈中，Foundation Capital 的 Jaya Gupta 和 Ashu Garg 抛出一个更狠的判断：真正的万亿级机会，不在模型，而在“Context Graph”。它不是新名词，却可能是下一代 AI 基础设施的分水岭。

最反直觉的一点：AI 的核心单位不是 Prompt，而是“决策轨迹”

访谈一开始，话题就被迅速拉离了常见的 Prompt、RAG 或工具调用。Jaya 提出一个让很多从业者不太舒服的说法：如果你还把“上下文”理解成一段文本窗口，那你已经落后了。

在他们的定义里，Context Graph 的最小原子不是 prompt，而是 decision trace（决策轨迹）——也就是 AI 在一次任务中，每一步“为什么这么做”的完整路径：用了哪些数据、调用了哪些工具、基于什么中间判断做了下一步选择。

这些 decision trace 连接在一起，才构成所谓的 context graph。它不是静态的，而是随着系统运行不断生长的。这一点非常关键：上下文不再是被塞进模型的一坨信息，而是模型真实“工作过程”的结构化记录。

一句话总结他们的立场：“如果你不能回放 AI 是怎么走到这个答案的，那你其实并没有真正的上下文。”

为什么这不是又一个“新概念炒作”？因为 Agent 已经把问题逼出来了

Context Graph 听起来抽象，但它并不是凭空出现的概念。Ashu 指出，这是 AI Agent 大规模落地之后，被迫浮出水面的基础设施问题。

当 Agent 只做一次性任务时，prompt + response 还能凑合。但一旦进入多步骤任务：写代码、改代码、跑测试、再改——问题立刻爆炸：
- 为什么它这一步调用了这个工具？
- 中间状态丢了还能不能接着跑？
- 上一次失败的经验，下次能不能复用？

传统的 system of record（比如数据库、日志）只能记录“发生了什么”，却无法表达“为什么这么发生”。而 Agent 真正需要的是后者。

这也是他们反复强调的对比：Context Graph 更像是 AI 世界的 execution graph + memory layer，而不是一个更大的日志系统。它介于模型、工具、数据之间，却不完全属于任何一层。

一个危险但真实的判断：大多数 Agent 初创公司，正在重复 AWS 之前的错误

访谈中最有火药味的一段，是他们对当前 Agent 创业浪潮的隐含批评。

Jaya 形容，现在很多 Agent 系统“看起来更像是 IM 系统里的 AWS IAM”——权限、工具、流程都在，但缺少对决策本身的抽象。这导致一个结果：系统可以跑，但跑不远。

没有 Context Graph 的 Agent，有几个致命问题：
- Debug 成本指数级上升
- 无法跨任务学习
- 系统复杂度一高就失控

更重要的是，这会直接限制商业规模。因为企业真正关心的不是 demo 能不能跑，而是：我能不能审计？能不能回放？能不能解释给合规和老板听？

他们的判断很直接：未来你会在生产环境里看到“成百上千个 context graphs”，而不是成百上千个 prompt 模板。

代码生成只是开始，真正的战场是“可复用的工作流记忆”

在谈到代码生成时，两人特意澄清了一点：Context Graph 并不是只为写代码服务的，但代码生成恰好是最容易暴露问题的场景。

当一个 Agent 生成代码、运行、报错、修复时，它实际上已经走完了一个完整的工作流。而 Context Graph 捕获的，正是这个工作流的全貌：每一次修改背后的因果关系。

一旦这些被结构化保存下来，事情就变了：
- 下一个相似任务，可以复用整条路径
- 人类可以介入任意节点，而不是从头来过
- 模型层可以用这些真实执行数据进行反向优化

他们甚至暗示，未来模型的竞争力，很可能取决于“你喂给它的不是多少 tokens，而是多少真实的 decision traces”。

为什么这是一个“万亿级机会”，但不会由模型公司独占

节目标题里那句“trillion-dollar opportunity”并不是夸张修辞。Ashu 的逻辑很清楚：

• 每一个 AI Agent 都需要 Context Graph
• 每一个企业级部署都会要求可审计、可解释、可复用
• 这层基础设施一旦被锁定，迁移成本极高

但有意思的是，他们并不认为这会被某一家大模型公司完全吃下。原因很简单：Context Graph 太贴近执行层，太依赖具体业务。

这反而给创业公司留下了空间：谁能最早把 decision trace 抽象成通用结构，谁就可能成为 AI 时代的“新型中间件”。

总结

这期对谈最值得反复琢磨的一点是：AI 的进化方向，正在从“更聪明的模型”转向“更清晰的过程”。Context Graph 本质上是在回答一个问题——当 AI 开始像人一样工作时，我们有没有能力理解、复盘、甚至教它改进自己的思考路径。

对从业者来说，真正的 takeaway 不是立刻去造一个 Context Graph 产品，而是反问自己：你现在的 Agent 系统，有没有在任何层面捕获“为什么”？如果答案是否定的，那它的天花板可能已经写好了。

一个值得思考的问题留给你：当 Context Graph 成为标配时，你的产品，站在哪一层？

关键词： Context Graph， AI Agent， 决策轨迹， 代码生成， LangChain

事实核查备注： 1. 视频发布时间为 2026-02-04（需核实 YouTube 页面）
2. Jaya Gupta 与 Ashu Garg 均来自 Foundation Capital（需核实头衔）
3. Context Graph 的定义与 decision trace 的表述需严格对齐原视频原话
4. 引用的判断如“成百上千个 context graphs”需核对是否为原意或总结性转述