99年中科大學(xué)生創(chuàng)業(yè)，要為Agent做一站式的自學(xué)習(xí)平臺(tái)，紅杉種子、明勢(shì)投了

文｜鐘楚笛

編輯｜周鑫雨

一句話介紹

ACONTEXT 是一個(gè)針對(duì) Agent的上下文數(shù)據(jù)管理平臺(tái)。通過(guò)提供數(shù)據(jù)存儲(chǔ)、決策路徑觀測(cè)與智能體自學(xué)習(xí)服務(wù)，ACONTEXT為用戶提供Agent執(zhí)行復(fù)雜任務(wù)時(shí)的路徑和決策原因，同時(shí)將Agent的任務(wù)執(zhí)行成功率提高30%-50%。

融資進(jìn)展

近期，ACONTEXT完成數(shù)百萬(wàn)美元天使輪融資，由紅杉中國(guó)種子基金和明勢(shì)資本共同投資。

團(tuán)隊(duì)介紹

創(chuàng)始人兼CEO葉堅(jiān)白（Gus）：曾于微軟亞洲研究院參與必應(yīng)搜索廣告算法的研發(fā)。2023年以來(lái)，他曾加入王慧文創(chuàng)立的大模型公司“光年之外”，參與大模型的分布式訓(xùn)練。此后，他加入了由前阿里“妙鴨相機(jī)”負(fù)責(zé)人張?jiān)鹿獬闪⒌腁I應(yīng)用公司“沐言智語(yǔ)”，主要負(fù)責(zé)內(nèi)部模型訓(xùn)練、RAG系統(tǒng)的搭建。

從業(yè)期間，葉堅(jiān)白負(fù)責(zé)了多個(gè)熱門開(kāi)源項(xiàng)目的研發(fā)，比如其主導(dǎo)的AI長(zhǎng)期記憶解決方案Memobase，在GitHub上獲取了2.6K Stars, 服務(wù)了多個(gè)知名的AI產(chǎn)品；他曾用1000行代碼復(fù)現(xiàn)微軟2萬(wàn)行代碼的GraphRAG算法，在Github上獲得了3.7K stars。

ACONTEXT團(tuán)隊(duì)的主要成員，均來(lái)自字節(jié)跳動(dòng)火山引擎、百度、微軟等大廠或AI明星公司。

產(chǎn)品及業(yè)務(wù)

AI 應(yīng)用正在經(jīng)歷一場(chǎng)從Chatbot到Agent的快速進(jìn)化。Gartner 在 2025 年發(fā)布的戰(zhàn)略技術(shù)趨勢(shì)報(bào)告顯示， Agent已位列年度十大技術(shù)趨勢(shì)之首，預(yù)計(jì)到 2028 年，將有 33% 的企業(yè)級(jí)軟件由 Agent驅(qū)動(dòng)。

于是，如何支撐 Agent 的大規(guī)模落地，已成為全行業(yè)最迫切的技術(shù)命題。 不同于 Chatbot 的簡(jiǎn)單對(duì)話交互，Agent 的核心特質(zhì)在于具備規(guī)劃、執(zhí)行與反思的能力。

在上一家公司工作期間，葉堅(jiān)白探索了ChatBot、Agent等不同形態(tài)的AI產(chǎn)品。其中兩個(gè)有關(guān)數(shù)據(jù)的趨勢(shì)，引起了他的注意：

一方面，AI Agent在運(yùn)行中生產(chǎn)的數(shù)據(jù)，起碼是Chatbot的千倍。“100萬(wàn)Tokens，能讓ChatBot用戶大概使用3-7天，但只能讓Coding Agent用戶用10-20分鐘。”

另一方面，目前，市面上并沒(méi)有針對(duì)Agent行為數(shù)據(jù)的存儲(chǔ)、管理和利用方案。葉堅(jiān)白告訴我們，無(wú)論AI應(yīng)用形態(tài)如何，其存儲(chǔ)的核心數(shù)據(jù)構(gòu)成，都是將用戶行為打包為大模型可理解的數(shù)據(jù)格式，也就是Context，上下文。對(duì)Agent而言，對(duì)Context的深度挖掘和利用，決定了Agent智能和用戶體驗(yàn)的上限。

這兩個(gè)趨勢(shì)，讓葉堅(jiān)白決定以Context作為創(chuàng)業(yè)的切入點(diǎn)：專為Context數(shù)據(jù)搭建一套存儲(chǔ)、監(jiān)測(cè)、自學(xué)習(xí)的Infra，以挖掘Context中的利用價(jià)值。

2025年初，葉堅(jiān)白做了第一個(gè)產(chǎn)品嘗試——Memobase。這是一個(gè)瞄準(zhǔn)C端Chatbot的記憶解決方案。接入該方案的AI應(yīng)用，可以在100毫秒以內(nèi)，根據(jù)用戶的歷史數(shù)據(jù)，形成用戶的畫(huà)像。基于Memobase得出的用戶畫(huà)像，Chatbot能夠生成個(gè)性化的回答，提升用戶體驗(yàn)。

這一套方案，已經(jīng)在造夢(mèng)次元，捏Ta等10余家AI初創(chuàng)企業(yè)中落地，每日為超過(guò)5萬(wàn)名活躍用戶提供記憶建模服務(wù)。

不過(guò)，葉堅(jiān)白判斷，做單點(diǎn)的記憶存儲(chǔ)方案，壁壘有限，“你不掌握Context數(shù)據(jù)，數(shù)據(jù)存儲(chǔ)在第三方云廠商那兒，單點(diǎn)的記憶方案很容易被上游廠商‘吞并’。”與此同時(shí)，在商業(yè)化層面，Memobase難以衡量ROI（投入產(chǎn)出比），不利于公司制定收費(fèi)模式。

在他看來(lái)，中間層廠商的核心壁壘，在于建立開(kāi)發(fā)者生態(tài)。其中的邏輯在于，對(duì)中間層廠商而言，Context是最有價(jià)值的數(shù)據(jù)資產(chǎn)。因此，想要積累更多的Context資產(chǎn)，就需要建立繁榮的開(kāi)發(fā)者生態(tài)。

2025年11月，團(tuán)隊(duì)上線了新產(chǎn)品ACONTEXT。ACONTEXT本質(zhì)上是一個(gè)針對(duì)Agent的 Context數(shù)據(jù)管理平臺(tái)，通過(guò)對(duì)Context數(shù)據(jù)的沉淀、理解、挖掘，從而降低Agent的開(kāi)發(fā)、落地、管理的門檻，提高Agent開(kāi)發(fā)和管理的效率。

ACONTEXT為Agent開(kāi)發(fā)者提供的服務(wù)，主要貫徹在三個(gè)階段：

首先，在Agent開(kāi)發(fā)階段，ACONTEXT 解決了初期復(fù)雜的“底層基建”問(wèn)題。圍繞上下文數(shù)據(jù)，構(gòu)建數(shù)據(jù)存儲(chǔ)和使用的管線，讓Agent數(shù)據(jù)存儲(chǔ)開(kāi)箱即用。

這種做法保留了大模型全局推理的完整性，開(kāi)發(fā)者無(wú)需再考慮多模態(tài)信息的存儲(chǔ)、沙盒環(huán)境的調(diào)配、文件系統(tǒng)的兼容等問(wèn)題，也不用手搓數(shù)千行代碼去對(duì)接各種零散的數(shù)據(jù)庫(kù)，縮短了產(chǎn)品的上線周期。

其次，在Agent上線階段，ACONTEXT 提供了對(duì)Agent的實(shí)時(shí)監(jiān)測(cè)和管理服務(wù)。

傳統(tǒng)的反饋依賴于低效的用戶調(diào)研，或者靠人力在數(shù)據(jù)庫(kù)中檢索。ACONTEXT則在后臺(tái)內(nèi)置了一個(gè)用于審計(jì)的Agent。它會(huì)自動(dòng)拆解Agent和用戶行為，為開(kāi)發(fā)者提供Agent的具體執(zhí)行過(guò)程、用戶的實(shí)時(shí)反饋。

最后，ACONTEXT 通過(guò)“建立Agent SKills”的方式提升了 Agent 的穩(wěn)定性。審計(jì)Agent在監(jiān)測(cè)Agent行為的同時(shí)，也用于Agent Skills的建立。ACONTEXT的自主學(xué)習(xí)系統(tǒng)會(huì)將成功執(zhí)行的路徑提取，變成Agent的專屬記憶或技能包。同時(shí)也會(huì)對(duì)失敗的任務(wù)進(jìn)行分析，提取經(jīng)驗(yàn)。

這意味著，當(dāng)用戶下一次提出類似需求時(shí)，Agent不再需要盲目探索，而是可以直接調(diào)取已經(jīng)驗(yàn)證過(guò)的流程，降低了Agent行為的不確定性。

葉堅(jiān)白告訴我們，“我們的目標(biāo)是幫客戶實(shí)現(xiàn)Context數(shù)據(jù)飛輪。只有這樣，Agent產(chǎn)品才算是開(kāi)始建立用戶粘性和產(chǎn)品壁壘。”

在ACONTEXT的POC（概念驗(yàn)證）階段，該方案幫助Agent提升了30%-50%的任務(wù)成功率，同時(shí)減少了10%-30%的運(yùn)行步驟。

Founder 思考 1.與以往互聯(lián)網(wǎng)復(fù)雜的數(shù)據(jù)心態(tài)不同，AI 應(yīng)用的數(shù)據(jù)形態(tài)極其單一。

在Web 2.0時(shí)代（如淘寶、美團(tuán)），開(kāi)發(fā)者需要處理用戶點(diǎn)擊、停留時(shí)間、購(gòu)物車等成百上千種零散的數(shù)據(jù)信息。但在AI時(shí)代，99%的數(shù)據(jù)最終都是一種格式，即Context。沒(méi)有辦法將自己的數(shù)據(jù)，轉(zhuǎn)換為方便放進(jìn)大模型上下文里的產(chǎn)品，都將受到極大的挑戰(zhàn)。

2. 目前全行業(yè)都在推崇Embedding（向量檢索）解決記憶問(wèn)題，但這反而是卡死大模型智商的要害之處。

大模型處理文本能力很強(qiáng)，參數(shù)量都是千億級(jí)的規(guī)模，但向量模型很小，通常只有幾十MB的參數(shù)量，如果用向量去檢索，那么找出來(lái)的東西大概率會(huì)是斷章取義的。因此，真正的進(jìn)化方向是把決策權(quán)還給大模型，讓它自己決定深挖哪部分信息。這樣Agent才能展現(xiàn)出組合型的推理能力。

3. 集成型創(chuàng)新才是年輕人的主戰(zhàn)場(chǎng)。

算力集群管理、分布式訓(xùn)練這種單點(diǎn)型Infra，它重規(guī)模、重資產(chǎn)，大廠在此更有優(yōu)勢(shì)。相對(duì)于單點(diǎn)型Infra，集成型Infra并非意味著發(fā)明了新的數(shù)據(jù)庫(kù)形態(tài)，而是將第三方的資源和服務(wù)進(jìn)行組合優(yōu)化，輸出新的產(chǎn)品和服務(wù)形態(tài)，考驗(yàn)的是早期團(tuán)隊(duì)對(duì)生態(tài)位的選擇。

大廠在做集成型Infra時(shí)會(huì)有天然的路徑依賴，他們更想賣云資源、賣S3存儲(chǔ)。而年輕團(tuán)隊(duì)沒(méi)有包袱，我們更清楚Agent開(kāi)發(fā)者需要什么，因此集成型創(chuàng)新Infra的機(jī)會(huì)是留給年輕團(tuán)隊(duì)的。

4. 2026年最值得關(guān)注的趨勢(shì)是Agent的Environment（環(huán)境）。

2026年，Agent 的算法和邏輯會(huì)變得高度同質(zhì)化，屆時(shí)決定勝負(fù)的將不再是 Agent 夠不夠聰明，而是它與環(huán)境（Environment）的連接深度。

Coding Agent能率先爆發(fā)，是因?yàn)槌绦騿T的工作環(huán)境是標(biāo)準(zhǔn)的、整潔的。但未來(lái)的財(cái)務(wù)、法務(wù)、政務(wù) Agent，面對(duì)的是極度混亂、沒(méi)有統(tǒng)一標(biāo)準(zhǔn)的數(shù)據(jù)環(huán)境。因此在2026年，Agent的Environment，應(yīng)該會(huì)是頻繁出現(xiàn)的一個(gè)領(lǐng)域。

5. 對(duì)于Agent Infra而言，核心壁壘在于生態(tài)。

對(duì)于Agent Infra而言真正的壁壘不在于技術(shù)或者數(shù)據(jù)，而是在于生態(tài)，即你的用戶會(huì)愿意為你的產(chǎn)品創(chuàng)造內(nèi)容。比如當(dāng)大家搜“data context data”或當(dāng)大家搜“context data platform”的時(shí)候， Google的前10條里面有6條是跟你相關(guān)的時(shí)候，這個(gè)壁壘才算真正形成。

歡迎交流！