上下文图赋能企业智能体主动式推送

背景

当前企业级 AI 应用主要依赖检索增强生成（RAG）和智能体框架（agentic frameworks），这些技术显著提升了信息检索与任务自动化能力。然而，这些系统在本质上仍然是反应式的——它们必须等待用户明确发起查询或指令后才会执行操作。例如，员工需要主动提问“合同到期日是什么时候？”或“最近的服务器故障有哪些？”才能获得相关信息。这种模式导致企业生产力的提升存在瓶颈：大量有价值的信息实际上是在员工尚未意识到其重要性时就已经存在，但系统无法主动推送。

本文认为，真正带来企业效率跃升的关键在于主动式智能体（proactive agents）：系统能够在员工提出请求之前，主动识别并呈现相关、可操作的信息。为此，作者提出了一种名为 Context Graph（上下文图）的实时关系数据结构，并基于此构建了一套完整的主动式代理框架，涵盖状态变化检测、优先级评分以及用户呈现层。

核心内容

问题定义与核心假设

论文首先指出，企业环境中的信息往往具有动态性和关联性：实体（如员工、合同、项目、客户）之间的关系会随时间变化，某些状态变化（如合同即将到期、服务器宕机、销售线索流失）具有重要的业务价值。传统 RAG 只在用户查询时检索静态知识库，无法捕捉这些动态变化。主动式代理需要解决两个核心挑战：

1. 持续监控：如何在不依赖人工轮询的情况下，自动检测企业实体间的状态变化？
2. 优先级排序：如何从海量变化中筛选出对特定用户（角色、职责、偏好）真正重要且紧迫的信息？

Context Graph：实时关系数据结构

Context Graph 是一个有向图，其中节点代表企业实体（人员、文档、任务、系统资源等），边代表实体之间的关系（如“负责”、“关联”、“引用”）。每个节点和边都带有时间戳和状态属性，形成一个随时间演化的快照序列。关键特性包括：

• 动态性：节点和边的状态可被更新（如合同状态从“有效”变为“即将到期”），并记录变化历史。
• 关系丰富：支持多对多、层级关系，例如某工程师同时负责多个服务，某合同关联多个审批人。
• 可扩展性：基于图数据库或内存图结构（如 NetworkX）实现，便于增量更新和查询。

三大核心组件

基于 Context Graph，论文定义了三个相互协作的模块：

1. Delta Detection Engine（变化检测引擎）
   持续监控 Context Graph 中的节点和边状态变化。它通过对比当前快照与上一时间点的快照，识别出新增、删除或修改的实体关系。例如，合同状态从“进行中”变为“待审批”，或某条销售线索的“预计金额”被修改。Delta Detection Engine 负责生成一个“增量事件流”，每个事件包含变化的实体、变化类型、时间戳以及关联的上下文路径。

2. Proactivity Scorer（主动式评分器）
   对每个检测到的变化事件进行评分，以确定是否值得推送给用户，以及推送的优先级。评分函数综合三个维度：

   • 紧迫性（Urgency）：事件的时间敏感性，例如合同到期日越近，紧迫性越高。
   • 相关性（Relevance）：事件与用户当前工作上下文（如正在负责的项目、最近查看的文档）的匹配程度，通过图上的路径长度和语义相似度计算。
   • 角色适配度（Persona-fit）：事件与用户职责、权限、历史行为的匹配度，例如安全事件只推送给安全工程师，合同变更推送给法务和财务人员。
     论文形式化定义了一个统一的 Proactivity Score 函数，将三个维度的得分加权求和，权重可根据业务场景调整。

3. Surfacing Layer（呈现层）
   基于大语言模型（LLM，具体使用 Anthropic Claude API）将评分排名靠前的候选事件转化为自然语言通知，并附上可解释的推理依据。例如，通知会说明“因为合同A的到期日还有3天，且您是审批人，所以推送此提醒”。该层还负责控制通知频率和格式（如邮件、IM 消息、仪表盘弹窗），避免信息过载。

实现与评估

论文提供了一个完整的端到端 Python 实现，基于 NetworkX 构建 Context Graph，并通过 Anthropic Claude API 驱动呈现层。评估采用了三个典型的企业案例：

• 合同生命周期管理：监控合同状态变更、到期提醒、条款更新。
• 工程事件响应：自动检测服务器告警、故障关联、负责人变更。
• 销售管道卫生：识别销售线索状态停滞、金额异常、客户流失风险。

实验结果表明，基于 Context Graph 的主动式代理在Precision@5（前5个推荐中相关比例）上达到 0.83，假阳性率（false positive rate） 为 0.11，而平均唤醒时间（从事件发生到系统首次推送通知）从传统反应式基线（需要人工轮询）的 47 分钟 降低至 30 秒以内。

关键要点

• 主动式代理的核心创新：从“用户问什么，系统答什么”转向“系统主动判断用户可能需要什么”，利用实时图结构捕捉动态变化。
• Context Graph 的设计哲学：将企业实体间的关系显式建模为图，并保留时间维度，使得状态变化的检测具有上下文和因果链条。
• Proactivity Scorer 的三维评分：紧迫性、相关性、角色适配度，三者加权求和，可动态调整以适应不同业务领域。
• LLM 驱动的可解释性：呈现层不仅推送通知，还提供“为什么推送”的推理，增强用户信任和接受度。
• 显著性能提升：Precision@5 达到 0.83，假阳性率低至 0.11，且延迟从分钟级降至秒级，验证了主动式架构的可行性。
• 通用性：三个案例覆盖合同、运维、销售等典型企业场景，表明框架可跨领域迁移。
• 实现依赖：使用 NetworkX 作为图引擎，Anthropic Claude API 作为 LLM 后端，但框架本身不限定具体技术栈。

意义与影响

1. 重新定义企业 AI 的人机协作模式：传统 RAG 和智能体本质上是“信息检索工具”，而主动式代理将 AI