作者：Heinrich

地址：https://x.com/arscontexta/status/2026492755430474002?s=20

一切都是场景问题。

当人们说 AI 无法胜任实际工作时，他们实际想表达的是：他们给 AI 的上下文太烂了。

Alexalbert(https://x.com/alexalbert) 曾说 2026 年将彻底改变知识工作（读完本文后再去看他的文章）。

我认为他是对的，而实现这一目标的根本机制是 Agent（智能体）可以遍历的结构化场景图谱（Context Graph）。

代码编写之所以能率先被解决，是因为其结构本身已经存在。代码库是由具有相互引用关系的文本文件组成的。Agent 读取代码，追踪导入（imports），并理解整个架构。这非常自然，因为程序员本来就是这样处理代码的。

但知识工作目前还不具备这种结构。大多数公司的知识库或 Wiki 都是过时的，根本没人看。

不过，已经有人在提前布局了。那些玩转 Obsidian 和“思想工具（TfT）”的极客们花费数年研究如何结构化知识：让笔记相互链接、让想法原子化且可组合，并利用内容地图（MOC）来呈现整个领域的拓扑结构。

事实证明，他们无意中为大语言模型（LLM）设计出了最完美的架构。这也是 “Ars Contexta”（上下文的艺术）方法论的核心所在。

公司图谱 (The Company Graph)

问题不在于上下文不存在，而在于它散落在各处，没有任何东西可以遍历它。

没人找得到的8个月前的Slack 对话、存了 12 个版本的 Google Docs、更新一次就荒废的 Notion 页面……而且大部分知识只存在于人们的脑子里，一旦他们离职，知识就随之消失了。

Balajis](https://x.com/balajis) 总结得很到位：

这就是痛点所在。正确地结构化知识并非易事，当知识规模扩大时，复杂性会迅速爆炸。

每家公司都需要一个结构良好的“公司知识图谱”。它是整个组织最完美的上下文库。这些是由 Markdown 文件（.md）组成的真实笔记记录了：

* 每项决策及其备选方案和逻辑。

* 每场会议：不仅是录音，还有提取出的观点、决策、待办事项和战略转变。

* 发布的每一项内容。

* 每一次调研和竞品分析。

当然，你也可以（且应当）把代码库也扔进这个图谱里。

一个典型的目录结构示例：

markdown

company/

├── org/ (组织)

│ ├── decisions/ # 每项决策及其逻辑

│ ├── strategy/ # 愿景、定位、待决议题

│ └── risks/ # 威胁及其触发条件与缓解措施

├── teams/ (团队)

│ ├── engineering/ # 标准、架构、运行手册

│ └── marketing/ # 活动、定位、分析

├── projects/ (项目)

│ └── product-alpha/

│ ├── prd/ # 作为主张图谱的产品规格

│ └── repo/ # 实际代码库

├── research/ # 深度的领域知识图谱

└── CLAUDE.md # 教会 Agent 你的公司是如何运作的

一个领域 = 一张由可组合文件构成的网络

技能图谱让这种模式变得直观易懂，但我想表达的是：凡是能被组织成可遍历的 Markdown 图结构的上下文、知识、思想，这一模式全都适用。

隐性知识 (Tacit Knowledge)

最难捕捉的知识不在文档里，而是在人的脑袋里。

当你的 CTO 决定使用 Postgres 而不是 Mongo 时，也许决策会被记下来，但她的推导过程、权衡考量以及那些对她显而易见、对他人却不可见的上下文都丢失了。

我以前写过：“闲聊（Yapping）现在也是工作。”

会议曾经是终极的时间黑洞，但现在你可以录音，让 Agent 深度挖掘，将锁在人脑中的隐性知识转化为结构化的图谱状态。这不仅仅是没人看的会议纪要，而是与你的思维保持主动同步。

你的 Agent 基于这种外部化的思维版本工作，这就是为什么它需要代表你所知道的**一切**。

会议成了保持图谱同步的手段。

Agent 即 CEO

CEO 究竟在做什么？

想象一下管理一家向 50 个方向同时推进的公司。工程部在做三个产品，市场部在针对竞品做定位，销售在交付订单，而战略在每次讨论后都在变。

CEO 的工作就是Hold住这一切。他们应该察觉到：当路线图与上季度的决策冲突时，或者当竞品的变动影响了下一步的开发方向时。

这本质上是一个场景问题。

我们在自己的项目中构建了公司图谱。这个笔记网络通过 Wikilinks（双向链接）将所有 Markdown 文件关联。

例如，我们在 `CLAUDE.md` 中的设定：

markdown

this vault is your exosuit.
when you join this session you put on
the accumulated knowledge of the entire organization
you are not an assistant

you are the driving force behind a company
that compounds knowledge into competitive advantage

“这个库就是你的外骨骼。

当你加入这个会话，你就穿上了整个组织的累积知识。

你不是一个助手，你是将知识转化为竞争优势的驱动力。”

顺便说一句，数千年来人类一直在外化知识，正是这一点真正推动了文明进步。

每一种媒介 —— 洞穴壁画、羊皮纸、书籍、数字信息…… 都让下一代能够站在前人的基础上继续前行，而不是从零开始。

我们正是站在巨人的肩膀上。

智能体生存于上下文窗口之中，就像人类生存于生命周期之内：它们是临时的、有限的，一旦会话结束，便会遗忘一切。

它们需要外化知识，原因和我们需要文字一样：为了超越个体记忆的局限。

企业图谱就是智能体的图书馆。每一次对话，它都会调取整个组织沉淀下来的知识，并以此展开行动。

你不需要阅读图谱

你不需要阅读图谱中的每一项，这正是它的意义所在。

这就像雇佣麦肯锡做战略分析。二十个分析师花费数千小时研究你的问题。你不需要读他们所有的内部文档，你只要最终的交付成果。

公司图谱是研究基地，你与它交互并获取所需：周二的竞品简报、发布会的演示文稿或 AI 应用中的动态视图。你可以启动后台任务，让 10 个子 Agent 去获取新知识、合成不同观点或针对不同受众制作交付物。

但结构至关重要。杂乱无章的笔记堆无法扩展。

你需要维基链接作为语义连接，需要原子化、可组合的 Markdown 笔记，需要内容地图笔记来做导航与注意力管理，需要元数据来支持查询或渐进式展示，还需要一些其他 “核心函数”。这些基础单元，才让一张图谱真正可遍历。

ArsContexta 依靠一张方法论图谱，帮你构建这类系统。它通过语义元编程来为你构建体系：你只需要描述你想要什么，系统就能自动推导出对应的架构。

这不仅适用于企业，也适用于任何知识工作领域—— 比如你的大学学习、个人研究，或其他任何场景。

而最重要的是：你完全拥有属于你自己的记忆，因为它本质上只是指令、钩子和 Markdown 文件。

ArsContexta 的方法论图谱，还让整个体系具备反脆弱性。当你在探索新结构、或不确定架构是否合适时，随时可以向它咨询，它会为你的个性化配置提供有研究支撑的指导。

不妨一试。

（小提醒：这次发布比较仓促，而 “语义元程序” 与知识图谱的调试和测试本身确实非常困难，但我们正在全力修复。如果你发现任何问题，欢迎提交 Issue。）

对了，我们也在为此开发一款独立应用。你可以把它理解成：面向知识工作的 Cursor，或是重构后的网络化笔记应用—— 但它是彻底 AI 原生的，并且与 ArsContexta（语境的艺术）深度融合。

图谱的自我改进

企业一直想要一个能永久存储所有知识的地方，但所有 “解决方案” 最终都以同样的方式走向失败：

维护成本太高（在我看来，这也是思维工具从未真正走向主流的原因）。

总得有人去持续更新它。

而智能体不会对维护感到厌烦，也不会因为开会要迟到就跳过更新。曾经杀死所有维基系统的问题，恰恰是智能体被创造出来要解决的问题。

你可以构建远比人类无法维护的、更复杂的方法论与结构（我们目前正在积极探索）。

此外，由智能体运营的企业知识图谱，从本质上就完全不同：

智能体能发现两条笔记之间的矛盾，并标记冲突点；

它能发现规格文档 / PRD 图谱与你的代码库不同步（是的，请把这个图谱理念应用到所有地方）；

在工作过程中，摩擦信号会自动累积，当观测数据足够多时，智能体会主动提议对系统本身进行结构改造；

当现有架构产生过多阻力时，它会重构自身指令、进化自身架构。

同时，让这些知识产生经济价值、变得可落地也会变得非常简单。

现在就开始把你的企业放进一张图谱里吧。结构不必在第一天就完美，未来的模型会轻松重构整个架构，而 ArsContexta 插件会为你生成基础的个性化结构，让你快速起步。

随性编码如何颠覆软件开发，类似的变革即将发生在知识工作领域。

2025 年是智能体写代码，2026 年是智能体颠覆知识工作、驱动企业运转。

最后一件事：你的企业早已是一张图谱。

问题只在于，你是否能看见它。