知其然也要知其所以然：决定AI成败的是上下文，而非模型

今年初，一波新的 AI 编程能力浪潮让一个酝酿数月的转变清晰起来：LLM 开始看起来有能力取代——而不仅仅是增强——企业软件。AI 将"吃掉"SaaS 的想法从推测变成了某种更接近必然的趋势，引发了许多人所称的"SaaSpocalypse"（SaaS末日）。

然而，我们还没到那一步。就其本身而言，LLM 对于确定性、可重复的工作流仍然不可靠。开票、路由请求或执行服务等级协议（SLA）等任务仍然需要传统逻辑。智能体擅长应对模糊性，而非精确性。不加约束的话，它们会产生幻觉、误读和漂移。

要让 LLM 真正取代企业软件，它们需要某种自身根本缺乏的东西：上下文。这不是一个细微的局限——而是一个根本性约束。正如 MIT Media Lab 旗下的 MIT NANDA 项目所说，大多数 AI 部署的失败源于"脆弱的工作流、缺乏上下文学习以及与日常运营的错位"。换句话说，问题不只是模型——而是模型周围的一切。

认识到这一差距后，三类软件正在成为明显的赢家。它们共同提供了使 LLM 能够在生产级现实系统中可用的上下文工程流程：

• 编排工具：约束模型遵循特定业务逻辑，包括 Salesforce 等 CRM 或 ServiceNow 等 ITSM 工作流系统
• 基础设施数据平台：如 Snowflake 和 Databricks
• 前沿模型公司：如 OpenAI 和 Anthropic

编排

传统编排平台——如 IT 服务管理（ITSM）工具——是为前一个时代构建的。ServiceNow等系统擅长协调确定性工作流，包含预定义步骤、可预测结果和严格控制的流程。

虽然ServiceNow 或其他传统编排公司不会消失，但一波专为智能体设计的新型编排应用最有机会在我们蓬勃发展的自主智能体 AI 世界中蓬勃发展。

LangGraph、AutoGen、CrewAI 等框架，以及 UiPath、Adobe Experience Platform 等企业平台，都是为概率性、动态工作流而设计的。它们支持循环、分支、工具使用和自我修正——这些模式反映了智能体的实际运作方式。

这标志着一个根本性转变。传统编排假设你提前知道确切路径。AI 原生编排则假设你不知道。从这个意义上说，编排不再只是任务排序。相反，它关乎管理不确定性。这些系统为智能体提供结构、记忆和护栏，使其能够采取行动，同时始终锚定在更广泛的流程之中。换句话说，现代编排工具为 AI 智能体提供了完成工作所需的必要上下文。

自动驾驶汽车是对现代 AI 优先编排需求的绝佳例证。它们不依赖单一模型，而是依赖数百个并行工作的模型，来完成解释原始传感器数据（如摄像头、雷达、激光雷达）、识别车辆在道路上的位置、预测附近行人或其他车辆的运动，然后确定如何响应这些输入等关键任务。

基础设施数据平台

即使是最好的编排也无法弥补糟糕的数据。如果模型无法访问干净、结构化且相关的信息，它们就会失败——失败方式往往细微但后果严重。这就是基础设施数据平台的用武之地。

Databricks 和Snowflake 等公司通过将数据质量、治理和结构内置于平台本身而实现了快速增长。它们不指望下游系统来清理和解读数据，而是确保数据层从一开始就是可靠的。

但它们在 AI 技术栈中的作用远不止数据健康。这些平台实际上在制造可用的上下文。当模型回答问题时，它不只是需要数据——它需要正确的数据、适当的范围，并以业务逻辑为基础。没有这些，即使是措辞得当的查询也可能出错。

问 LLM"为什么第二季度收入下降？"它可能会提取错误的指标、误读时间范围，或忽略关键细分市场。基础设施平台通过使上下文可实时检索，并确保检索到的内容是一致的、受治理的和相关的，来解决这个问题。它们将原始数据转化为模型可以真正推理的内容。

我们还看到领域特定数据引擎的兴起。这反映了一个更广泛的趋势：上下文不是一刀切的。不同领域需要不同的数据模型、管道和抽象。随着时间的推移，我们应该预期会出现大量针对特定行业和用例的专用上下文引擎。

前沿模型

第三类是用于构建 AI 应用本身的工具集。GitHub Copilot、Anthropic Claude Code 和 OpenAI Codex 等工具让开发者可以直接在工作流中使用强大的模型。

然而截止目前，这个领域最引人注目的公司或许是 Cursor。Cursor 在几年前就意识到，软件工程师在构建应用时不想局限于使用单一模型。基于这一认识，他们推出了允许用户让多个模型同时构建一个应用的工具——然后在这些模型中找到最佳方案，创造出最优雅的解决方案版本。

这之所以重要，是因为软件质量不仅仅关乎正确性——还关乎清晰性。过于复杂的代码更难调试、维护和信任。通过呈现多种方法，这些工具帮助开发者收敛到更简单、更优雅的解决方案。

它们还降低了风险。当模型意见不一致时，这种分歧本身就可能提供信息，突显出边缘情况或隐藏的假设。从这个意义上说，多模型工作流不仅提高了生产力——还改善了判断力。

数据湖仓

这个新世界里还有另一个赢家：一个将上述三类软件联系在一起的架构层——数据湖仓（data lakehouse）。

特别是 Apache Iceberg，已成为以跨系统可访问的方式管理大规模数据的标准。Iceberg 支持快速查询、并发更新和版本控制——所有这些都是现代数据环境中的关键能力。

但它对 AI 的重要性更深层。数据的存储和管理方式决定了模型能看到什么、如何检索，以及最终能回答什么。湖仓为编排系统、数据平台和模型提供了共享基础。它确保上下文不会在不同工具之间碎片化，而是集中化且始终可访问。在一个上下文是限制因素的世界里，这个共享层变得至关重要。

归根结底，如今这场竞赛不只是构建更好的模型。而是构建能够为这些模型提供其工作所需上下文的系统。