香港一家保险公司的理赔经理，向刚上线的 AI 智能体问了一个简单问题：太古城这宗单位渗水索赔，该不该全额赔付？
智能体把保单条款读得一字不差，也找到了理赔档案和相关条文。然而它建议拒赔。因为它完全不知道：过去一年同类例外已获批 40 次；核保总监三月签批了新的条款解读；而这位客户是每年保费 300 万港元的企业客户。
这个智能体不缺数据，缺的是情境。情境图谱（Context Graph）要补上的正是这一块，这也是 SAP、Atlassian 和 Google 最近两周不约而同把「情境」放在企业 AI 发布核心的原因。
情境图谱是什么？
情境图谱是一张描绘企业真实运作方式的关系网络，把人员、任务、系统、政策和过往决策连起来并打上时间戳，让 AI 智能体拥有资深员工脑子里的处境知识，按先例办事。
技术上，它用节点存实体（客户、合同、审批人），用边存关系。它和普通知识图谱的区别，在于还记录决策轨迹：某个案例怎么定的、依据哪一版政策、用了哪条例外。
为什么情境图谱突然成了企业议题？
2026 年 10 月，SAP、Atlassian 和 Google 先后把智能体战略押在情境上：SAP 收购 TechWolf，Atlassian 公布 Teamwork Graph 数据，Google 推出 Knowledge Catalog。情境图谱就此走进董事会。
10 月 6 日，SAP 宣布收购 TechWolf，看中其「工作情境图谱」，称它能提高 token 效率、降低部署人力类智能体的成本。
据 IT Brief 报道，Atlassian 内部测试显示，接入 Teamwork Graph 的智能体少用 48% token，准确度高 44%。这是厂商自测，但方向一致。
情境图谱和 RAG、知识图谱、数据仓库有什么区别？
数据仓库做报表，RAG 在提问时检索文档片段，知识图谱连接实体。情境图谱在实体关系上叠加决策历史和时间，智能体可以直接追溯先例，不必每次从碎片重拼全貌。
--- 数据仓库：擅长整体统计，难解释个案为何特殊处理。
--- RAG：适合查制度，但每次都要从碎片重组情境，成本高。
--- 知识图谱：多为静态，不记录决策。
--- 情境图谱：关联先例、负责人、政策版本和结果，并随时间更新。
情境图谱里到底装了什么？
一张实用的情境图谱有五层：核心实体、负责的人和角色、政策及版本历史、记录例外和审批的决策轨迹，以及时间戳。五层叠在一起，智能体才能回答「为什么」。
最常缺位的是人员角色和决策轨迹。只看最新政策的智能体，会误判按旧规则开立的案例；没有审批记录的图谱，不过是更好用的 CRM。
不搞多年数据工程，怎样建起情境图谱？
从一项高频决策切入，从现有流程日志记录决策轨迹，只接入这项决策用到的系统，并对比上线前后的准确度和 token 成本。第一项见效后再扩展。
--- 选题：量大、有成文制度、例外多，比如理赔例外、授信调整、退款审批。
--- 采集：审批日志和工单记录已有大部分轨迹，不必补齐十年历史。
--- 对接：原地连接业务系统，避免复制数据。
--- 衡量：只盯准确度和每案 token，60 天没改善就要调整。
为什么不该搬数据，可参考我们的零复制 AI 指南。
情境图谱在香港企业里长什么样？
在香港，情境图谱最有价值的，是依赖关系和先例的决策，比如保险理赔例外、物流客户专属条款，以及专业服务的委托审批。它把口口相传的经验变成可查询、可审计的资产。
回到那家保险公司。有了图谱，智能体会发现这宗索赔与 40 宗已批例外相符、三月的解读适用，于是建议赔付并附上先例，交给人员一键确认。
据 Mayer Brown 分析，香港私隐专员公署 2026 年检查的 60 家机构中有 57 家已日常使用 AI。记录智能体用了哪些数据，正是私隐条例问责的有力证据。
搭建情境图谱最常见的错误有哪些？
最常见的错误是把它当成 IT 数据项目、想一次给整个企业建模、只连静态实体而忽略决策轨迹，以及让智能体访问整张图谱而不是角色所需的部分。
另一个隐患是没人负责更新。过时的情境比没有更危险，因为智能体会自信地照着做，所以每个决策领域都要有业务负责人。
怎样向董事会提情境图谱投资？
把它定位为降本控险的杠杆，而不是技术采购。列出目标决策、当前出错率和上报率、每案 token 成本，以及 60 天试点的前后对比。
如果主要工作都在单一平台里，厂商内置的情境能力已够用；如果决策横跨多个系统，情境层就是值得自己掌握的战略资产。
要点速览
--- 定义：连接实体、人员、政策和决策轨迹并带时间戳的关系网络，为 AI 智能体提供依据。
--- SAP 收购 TechWolf：2026 年 10 月 6 日宣布，预计第四季度完成。
--- Atlassian Teamwork Graph：内部测试少用 48% token，准确度高 44%。
--- Google Knowledge Catalog：2026 年 10 月 8 日推出，Bloomberg Media 早期 SQL 准确度提升 63%。
--- 起步点：一项高频且例外多的决策。
结论：智能体要记住你是怎么做决定的
企业 AI 的下一阶段，赢家不会是模型最大的企业，而是旗下智能体最懂「这家公司怎么做决定」的企业。情境图谱让这份理解变成资产，不会因为资深经理退休就跟着流失。
懂AI的冷，更懂你的难。UD 同行28年，让科技成为有温度的陪伴
由 UD 企业 AI 团队审阅。文中厂商数据已于 2026 年 10 月 12 日根据上述链接核实，属厂商自测基准。
让你的第一个 AI 智能体扎根真实业务情境
了解了框架，下一步是找出见效最快的那一项决策。UD 团队手把手带你完成每一步，从梳理决策和负责人、对接系统，到部署智能体、跟踪准确度和成本，28 年企业服务经验，全程陪你走。
