INTEREST MAP · Context

Context：智能真正工作的现场

为什么 Data Agent 的准确率上限往往不由模型决定，而由它获得的业务 Context 决定？

模型能力只是起点。上下文决定 Agent 看见什么、记住什么，又能否在真实任务里做出稳定判断。李简在 lijianai.com 把 Data Agent × Context 写成可复盘的主题权威页。

我怎么定义

对李简而言，Data Agent 的 Context 不是「再塞进 Prompt 的长文档」，而是 Agent 做判断时可用的多层背景：用户与权限、业务语义与指标口径、数据模型与血缘、任务目标、多轮分析状态，以及工具与数据新鲜度。缺了它，模型只会生成语法正确但语义漂的答案——准确率的上限由 Context 决定，而不是由会不会写 SQL 决定。

Data Agent 常常不是「不会查」，而是「不懂你在问什么」——难点在理解，不在 SQL。
上一代数据产品做数据集中化；下一代更可能做上下文运行时化。
真正的护城河很少是更强模型，而是谁先把公司语义与经验变成可持续调用的 context system。
错误 Context 比没有 Context 更危险：SQL 能跑、数字好看，却回答了错误的问题。
Context 重要 ≠ 把所有资料塞进模型；要的是按需检索、组织与注入高信号上下文。

8 篇文章1 个项目4 个相邻主题

FRAMEWORK

可摘取框架

Context 包含哪几层

用户 Context：身份、部门、权限、偏好——「我」「我们部门」指谁。
业务 Context：指标、规则、业务日历、组织事件——指标应该如何定义。
数据 Context：Schema、血缘、粒度、Join、质量——应该查什么数据。
任务 Context：当前目标、分析范围、输出要求——用户究竟想完成什么。
对话 / 分析状态：历史问题、筛选条件、中间结论——多轮如何保持连续。
执行 Context：工具能力、查询成本、数据新鲜度——当前能够安全执行什么。

缺失 Context 会产生什么错误

把主动离职率算成全部离职率：口径 Context 缺失。
用当前组织架构回溯历史：组织事件 Context 缺失。
把月末人数当平均人数：指标定义 Context 缺失。
用延迟两天的数据回答「今天」：新鲜度 Context 缺失。
多轮追问丢失筛选条件：分析状态 Context 缺失。

企业应该先建设什么

语义层：指标、维度、实体、Join 与业务口径。
Context Router：按问题动态选择相关上下文，而不是巨型 Prompt。
分析状态管理：保存筛选、假设与中间结果。
Verified Query / Case Memory：沉淀已验证 SQL 与分析案例。
Context 可观测性：展示用了哪些表、口径与假设。

START HERE

代表文章

012026-03-11

为什么 Data Agent 的瓶颈不是 SQL，而是 Context

DataAgent 也许不是没用，只是我们低估了 Context

阅读文章 →022025-12-10

从 Text-to-SQL 到 Text-to-Truth：上下文工程如何改写数据角色

数据看门人已死，Text-to-Truth 才是未来的核心能力

阅读文章 →032026-06-14

Anthropic 95% 准确率背后：Rubric 与「为什么这么算」

Anthropic 把 Data Agent 做到了 95%，最难复制的一步，和Rubric有关

阅读文章 →

THE FULL THREAD