AI 上下文平台：图驱动上下文层何时胜过纯向量 RAG

Gartner 在 2026 年 8 月 13 日为 "AI Context Platforms" 给出了正式定义：一类使数据与 AI 工程团队能够构建、治理并向 AI 智能体交付语义化组织知识的软件——把上下文当作企业的一等资产来对待，而不是每个智能体各自维护的配置。两家厂商在 48 小时内用产品为该品类背书：Neo4j 于 10 月 20 日交付 Context Engine，NVIDIA 于 10 月 21 日交付 Agent Knowledge Foundation。当分析机构为品类命名、且两家平台厂商在两天内填满它时，买方得到的是真实的选择——和一道全新的决策题。本指南梳理这道题：图驱动上下文层胜过纯向量 RAG 的五个问题、纯向量 RAG 依然占优的三个问题，以及比你买什么产品更重要的三项控制——因为无论买什么，这三项都必须自己构建。

关键要点

• 86% 对 57% —— 微软 GraphRAG 研究（Edge et al., 2024）测得，在复杂的多实体查询上，图检索的完整性达到 86%，而纯向量 RAG 只有 57%。只要问题需要沿关系行走而不是匹配文本，这个差距就会出现。
• Gartner 于 2026 年 8 月 13 日为品类命名 —— 按分析师定义，AI Context Platforms「将组织知识的生命周期与单个智能体的生命周期分离开来」。这一分离是治理论据，不是检索功能。
• Neo4j 的 Business Ontology 是一个 6 层图模型 —— 业务流程与组织、领域本体、数据产品、物理系统、工具与集成、运行时知识——Neo4j 称其源自数百个企业级部署。Context Engine 以私有预览版（private preview）出货。
• 纯向量 RAG 在构建成本与文档问答上依然占优 —— 上线 6–8 周（图谱构建 12–16 周），并且晚交互嵌入已在 800 份真实 PDF 的智能体问答上达到 92.4%（MADQA），全程无需 OCR。
• 部署方的三项控制是：出处溯源、携带权限的检索、生命周期分离 —— 没有任何一处由市售产品完整提供；每一项都活在团队自有的 MCP 模块与审计层里。

获得名字的品类

Gartner 的定义（Kjell Carlsson、Afraz Jaffri、Christopher Long、Radu Miclaus，2026 年 8 月 13 日）值得读两遍，因为它是治理层面的定义，不是检索层面的：AI 上下文平台是「使数据与 AI 工程团队能够构建、治理并向 AI 智能体交付语义化组织知识的软件」，而「通过把上下文当作企业的一等资产而非智能体各自维护的配置，这些平台将组织知识的生命周期与单个智能体的生命周期分离开来，提高了组织跨领域扩展和治理其 AI 智能体的能力」。

品类所命名的那个问题，是智能体特有的。数据在这个世界里有两类消费方，持续了几十年：人——脑袋里装着记录之间的关系；以及应用——这层含义活在写死的逻辑代码里。智能体是第三类消费方，而这两类遗产它一样都继承不到。Neo4j 的发布博客把失败模式写得具体：应用知道账户状态"2"表示"暂停待审"，因为映射写在代码里；智能体对此一无所知，而且映射因组织而异——"客户"在营销部是一种含义，在财务部是另一种（Neo4j 博客）。

两家厂商在 48 小时内交付了回应。Neo4j 的 Context Engine 打包了预定义的 6 层 Business Ontology、从 Databricks 或 Snowflake 等来源构建本体并向编排层暴露的构建与运行时层、Context Studio 控制平面，以及记录智能体推理与决策路径的图原生记忆层。Neo4j 的 President of Technology 兼 CPO 把后果说得很直白：「所有其他方案都是权宜之计，随着 AI 智能体在复杂度与系统访问需求上继续增长，它们会失效」（新闻稿）。对买方而言，两个诚实标记值得注意：Context Engine 处于私有预览阶段；它那句「GraphRAG 比纯向量 RAG 更精确、更具成本效益」是厂商自述——独立数字来自微软的研究，不是 Neo4j。

NVIDIA 在 10 月 21 日选择了相反的架构立场：不是平台，而是由你自己组装的模型与 CUDA-X 库。其 Agent Knowledge Foundation 页面声明，组件「可与现有的数据平台、本体、向量数据库和智能体框架协同工作；不需要采用新的端到端平台」，并包含一个 Auto Ontology 生成器——NVIDIA 称在测试中把本体构建时间缩短了 90%，同时业务专家仍需「测试、精炼并认证」其输出（NVIDIA）。这最后一条正是本体构建的诚实版本：软件提出，拥有者认证。

纯向量 RAG 依然做得好的事

纯向量检索并不是品类发布材料所暗示的稻草人。它做好的三件事，决定了它何时仍是正确选择。

第一，构建成本。本站的 GraphRAG 实施指南给出的估算是：当语料是文本文档、问题是单实体查找时，传统 RAG 以 30% 的投入达到 GraphRAG 结果的 85–90%，上线周期 6–8 周（图谱构建 12–16 周）。一个需要在 11 月就开始从服务手册回答技师问题的精干团队，先上向量检索。

第二，文档检索的地板还在抬高。Perplexity 的 pplx-embed-v2-late（10 月 7 日发布，MIT 许可）把开放权重的晚交互嵌入推到 MADQA 92.4%——对 800 份真实 PDF、18,000 多页的智能体问答——直接检索文本、图像和 PDF 整页，不需要 OCR。在非结构化文档这条轴上，向量检索是一个移动目标，而知识图谱弥合的差距并非文档问答的差距。

第三，向量生态已经知道自己的弱区并做了结构性补偿。盘点十款自托管引擎的 vdf.ai 2026 年 10 月汇总显示，多租户已在索引层得到处理——Qdrant 按租户键分分区、大租户会被升级到独立 shard，Weaviate 采用每租户一 shard 模型——而因为稠密向量「会漏掉合同号、错误码这类精确 token」，混合检索已在引擎内部完成融合。换句话讲，权限过滤和关键词召回已经作为工程问题在向量栈内部解决。向量栈永远解决不了的，是语义：它没有地方存放「客户」「供应商」「风险」在你的组织里意味着什么，也无法回答为什么检索到的两条记录彼此相关。

被治理的上下文层多出来的东西

图驱动上下文层多出四样纯向量 RAG 根本无法表达的东西——第四样是购买判据。

显式关系。 检索到的块只是暗示了关系；图谱明言关系。微软 GraphRAG 的数字——多实体查询上 86% 对 57% 的完整性——是这句话的测量版：当问题需要从产品走到替代件、再走到分店可用库存时，相似度检索每一跳都得猜。

业务语义的唯一所在。 Neo4j 的 6 层 Business Ontology 把组织的定义——流程、领域术语、数据产品、物理系统、工具、运行时知识——搬进所有智能体共同读取的一张图，而不是每个智能体各自重新学习（Neo4j 博客）。SanjMo 的负责人 Sanjeev Mohan 在新闻稿里点出了向量栈跨不过去的那道坎：「Context 不只是更多数据。它真正关乎关系：不只是两个东西有连接，而是为什么、怎么连接的。这正是图所原生建模的。」

每条答案的出处溯源。 Context Engine 的记忆层「记录智能体的推理与操作路径，形成企业经验的永久档案」（新闻稿）。答案带着产生它的路径一起到来。向量检索给你的只是排名最高的那些块。

携带权限的检索路径。 Neo4j 的 Context Build and Runtime 内置治理，「确保它们只能访问被授权访问的数据」——策略随检索而行，而不是事后过滤器。在向量栈里，租户过滤只是你选定的那家数据库的索引工程特性（vdf.ai 汇总记录了 pgvector、Qdrant、Weaviate 的实现差异之大），还要应用层重新实现一遍规则。

这个模式不必等待私有预览的软件就能构建。在本站 RFQ 系列文章背后的参考实现里，报价桌 MCP 模块对外只暴露一个 inquire_catalog 工具：它把自然语言问题路由到知识图谱引擎并返回排名结果——一次被治理的调用同时完成检索与语义——事务侧则由一组独立可用性扣减（hold）工具负责。让它被治理的是工具边界，不是检索器：每一次调用都经过一个执行装饰器，把状态、时长与载荷写入 DynamoDB 里的审计模型；租户范围由存储层的分区键强制。关于模块代码标准的文章把这个模式做了端到端记录。

决策矩阵

实践中，五个问题把两种架构分开。对每个问题如实给自己的工作负载打分；图一列有两行以上命中，上下文层就值得那 12–16 周的建设。

买方问题	选图驱动上下文	纯向量 RAG 就够
问题的形态是什么？	多实体、沿关系行走（「本周五前，这个件号有哪些已批准的替代件在波士顿 DC 有库存？」）—— 86% 对 57% 的差距在这里	文档文本上的单实体查找（「手册对 E-204 故障代码怎么说？」）
语义住在哪里？	分散在系统和团队之间——「客户」「供应商」「风险」需要智能体共读的一个定义	就在文档里——文本即语义
治理要能出示什么？	答案级出处：决策路径、授权它的策略——Gartner 的生命周期分离	内容级访问控制：索引上的租户过滤与载荷权限
必须多快上线？	12–16 周，外加持续的本体维护——当智能体要作用于业务数据时，值得	上线 6–8 周——用途是文档问答时的正确第一步
每个季度什么会变？	语义在变（新产品线、改名档位、新合规规则）——改图，不改智能体	语料在变——夜间重新嵌入即可跟上

有两行值得诚实标注。查询成本上，GraphRAG 检索比向量相似度更重——卖图的一方自己承认，实施指南的单查询运算（图更新按工单计为 O(N)，文档检索为 O(1)）也解释了为什么高吞吐、浅问题的负载应该留在向量侧。而「第三类消费方」的叙事：它是 Neo4j 的发布故事，但底层观察早已存在——账户状态"2"的问题在每一家中型 B2B 公司都真实存在，无论你买什么产品去修。

并排对比：两种架构如何回答五个买方问题，每个主张背后的实测证据一并给出。

比买什么产品更重要的部署方控制

Gartner 的定义列出让上下文成为「资产」的三项能力：被构建、被治理、被交付。仔细读厂商页面，各自交付了一部分——Context Studio 是控制平面，构建运行时强制授权，记忆层记录决策。没有一家端到端交付全部三项，而其中两项在结构上就属于你。

出处溯源是控制，不是功能。 带记录决策路径的答案，只有当路径是只追加式、且比产出它的智能体活得更久时，才是审计产物。在参考实现里，每一次 MCP 工具调用都把状态、时长与净化后的载荷写入按租户划分的审计模型——这就是智能体治理架构的模式。无论你的上下文层是 Neo4j 的，还是一张自有的图，关于智能体检索了什么、作用于什么的记录，都应该属于你的边界。

权限携带必须活着越过最后一跳。 在图内做过滤的上下文平台，依然要经由工具边界连接智能体。如果这条边界不携带身份——每次调用一个经认证的主体、按租户与角色划定范围——平台的授权就只是建议。governed modules 模式把验证放进拦截每个请求的中间件（MCP 安全文章），这样 Neo4j 在图内强制执行的策略，才不会被一个未划定范围的工具调用绕过。

生命周期分离是你的架构选择。 品类的核心主张——组织知识活得比单个智能体久——只有在你的智能体是上下文服务的消费方、而不是把上下文内嵌到自身时才成立。实务上：智能体通过查询引用上下文，绝不引用固定快照；下线一个智能体删掉的是智能体状态，不是图状态；智能体记忆模式文章的短期/长期切分，正对应厂商如今销售的图原生记忆层。

给中型团队的一条实践序列：在向量检索擅长的文档问题上先上纯向量 RAG；建一张窄的、单一领域（产品、供应商或客户）的业务本体，配 NVIDIA 描述的认证环节；在出处重要的地方，经由一两个被治理的 MCP 工具把它暴露给智能体；只有当某个用例问出一个向量检索答错且代价高昂的关系问题时，再把本体扩宽。

相关阅读

• GraphRAG 实施指南：从文本文档到生产级知识图谱检索 —— 选择图一侧时的五阶段构建管线与成本陷阱
• 智能体生产栈正式落地：深入 NVIDIA GTC 柏林参考架构 —— Agent Knowledge Foundation 的模型与库在完整生产栈中的位置
• 智能体记忆设计：三种失败模式与强制底线 —— 图原生记忆层所实现的短期/长期记忆切分

请求范围确定的构建

一个代表性的构建：一家把报价台跑在 NetSuite 上、档位定价放在 Postgres、替代件知识存在四位资深估价员脑子里的工业分销商。我们在产品、替代件、价格档位与分店库存之上建一张知识图谱；把它封装成一个 MCP 模块，带每次调用的审计日志、可用性扣减与取消快照工具，都归团队所有；智能体框架保持可替换。报价回答带着产生它的路径回来——替代了哪个件、落在哪一档、分店还有多少库存——以小时计，而不是以天计。

请求范围确定的构建：一周发现期。无论是否与我们合作，你都会得到一份系统清单、工作流图和固定范围。