企业上下文不是把内部文档集中到一个知识库，而是把组织运行所依赖的关系、规则与经验，转化为可理解、可检索、可调用、可审计的信息体系。大模型缺少的往往不是通用能力，而是对企业业务对象、数据口径、管理制度和流程边界的准确理解。上下文质量，直接决定人工智能输出能否从“看起来合理”变成“能够执行”。
企业上下文的五个层次
第一层是组织上下文，包括部门、岗位、职责、汇报关系和权限边界，用来回答“谁可以做什么”。第二层是业务上下文，包括客户、产品、订单、设备、合同等业务对象，以及对象之间的关联关系。第三层是数据上下文，重点解决指标定义、数据来源、统计口径和更新状态不一致的问题。第四层是规则上下文，涵盖制度、审批条件、操作规范、合规要求和例外处理。第五层是经验上下文，沉淀历史案例、故障排查过程、工程师经验和业务判断依据。
这五类信息不能简单等量齐观。组织关系与权限决定调用边界，数据口径决定结果是否可信，规则决定行动是否合法，历史经验则影响系统处理复杂问题的能力。企业应先明确高价值场景，再围绕场景组织上下文，而不是追求无差别收集全部资料。
治理关键在于持续维护
上下文治理通常从数据盘点开始，梳理CRM、ERP、MES、知识库、历史工单和工程记录等信息来源，区分核心资产与噪音数据。随后进行清洗、标准化和结构化，将分散文档转化为具有明确语义的知识单元。例如，制造业故障知识可以按“故障现象—错误码—根因—解决方案—关联部件—历史案例”组织，使系统不仅能检索文本，还能理解问题之间的关系。
治理不能止步于建库。每条关键知识都应明确责任人、适用范围、更新时间和验证状态；涉及敏感数据的内容，则必须与身份、权限、工具调用和结果回写关联起来。系统还应保留审计追溯能力，避免模型在缺乏依据时直接生成确定性结论。
真正有效的机制，是让使用过程反向推动治理：人工智能发现知识缺口后，由业务负责人补充，系统再进行验证和评估。随着业务变化，规则、指标和流程持续更新，企业上下文才不会变成过期文档，而会逐步演化为支撑决策与执行的经营基础设施。