资讯

Modus 推出上下文仓库产品，通过 Context Miner 和 Context Composer 两套系统，持续从企业现有数据源中学习业务上下文，动态生成 Agent 所需的信息简报，帮助降低 Token 消耗并提高 Agent 准确性。

Mate Security 推出“安全上下文图”（Security Context Graph），为 AI 智能体提供资产、用户、业务过程等丰富上下文，实现持续检测与响应。公司获 3500 万美元 A 轮融资，营收增长超 500%，客户涵盖财富 500 强企业。

AI Agent的可靠性瓶颈不在模型能力，而在于上下文层的质量。团队需要构建结构化的领域知识图、精确的工具检索（如假设调用匹配）、以及执行层的安全护栏。基础设施的差距正在成为团队间的分水岭。

MCP被批评为过于复杂，但在企业级智能体系统中，直接API调用和许可名单无法解决身份委派、审计合规和最小权限等核心问题。MCP的结构化治理能力才是规模化部署的关键，不过其在服务配置和运维管理方面仍需改进。

GitHub Copilot 通过提示缓存和工具搜索减少重复上下文，Auto 功能基于任务意图和模型健康状态动态选择最佳模型。HyDRA 路由器在质量和成本间取得平衡，支持多语言，且跨会话保持缓存连续性。

AWS Context 自动构建企业知识图谱，为 AI 代理提供运行时上下文。它基于 Amazon Quick 技术，支持身份感知访问和连续学习，帮助代理做出更准确的决策。

Simon Willison 升级了他的 OpenAI WebRTC 音频会话工具，支持最新的 GPT-Realtime-2 模型和文档上下文功能。用户可以在浏览器中粘贴文本，让语音对话围绕指定内容进行。

Jedify 通过 API 连接数据库、SaaS 工具、非结构化数据等，构建多维上下文图，供 AI 智能体使用。本轮融资由 Norwest 领投，Snowflake 作为战略投资者参与。公司已有 10-20 家早期客户，包括 Kiteworks 和 The Weather Company。

Granite Embedding Multilingual R2 系列采用 ModernBERT 架构，支持 32K 上下文和 200+ 语言，其中 97M 模型以 60.3 分成为多语言检索最优的小参数模型，311M 模型得分 65.2，均较前代大幅提升。模型兼容主流框架，提供 ONNX/OpenVINO 部署选项。

DeepSeek-V4 通过压缩稀疏注意力（CSA）、重度压缩注意力（HCA）和滑动窗口注意力（SWA）三种缓存布局，将百万 token 上下文的 KV 缓存压力降低了数个量级。但实际收益取决于推理引擎如何管理混合缓存、制定前缀缓存策略，以及针对长上下文和短上下文工作负载选择不同的端点配置。

Airbyte 发布 Airbyte Agents，核心是 Context Store，预索引企业数据供 AI 代理查询，减少 API 调用次数和 Token 消耗。支持通过 MCP 服务器或 Agent SDK 访问，提供 50 个初始连接器。同时推出 Automations 可视化工作流构建器（研究预览版）。

Nemotron 3 Nano Omni 是 NVIDIA 最新的全模态模型，采用混合 Mamba-Transformer MoE 架构，支持动态分辨率图像处理和 Conv3D 视频压缩，在文档、音频、视频等基准测试中取得领先成绩。

DeepSeek-V4 发布了两款 MoE 模型，拥有百万 token 上下文窗口，通过 CSA/HCA 混合注意力机制大幅降低长序列推理成本和内存占用。论文还介绍了针对 Agent 的思考保留机制、专用工具调用格式以及 RL 训练沙箱 DSec，使 Agent 基准测试成绩达到前沿闭源模型水平。

AWS Bedrock 团队的 Luca Chang 在 MCP 峰会上讨论了 MCP 的发展。MCP 已成为连接 AI 模型与工具数据的行业标准。亚马逊的贡献源于将云产品映射到协议时发现的不足，从而回馈社区。

ICLR 2026 论文提出分治框架，通过拆分长文档、并行处理来应对模型噪声（Model Noise）、任务噪声（Task Noise）和聚合噪声（Aggregator Noise）。实验显示，小模型在该框架下性能稳定，成本更低、速度更快，但高跨块依赖任务仍需要单次处理。

文章分析了 AI 领域上下文窗口增长停滞的现象，指出硬件内存短缺是核心瓶颈。同时梳理了近期智能体基础设施、持久化内存、推理优化和模型后训练等方面的技术动态。

LangChain 为 Deep Agents 添加了自主上下文压缩功能，模型可自行判断何时压缩历史对话。该工具通过中间件实现，已在 CLI 中默认启用，SDK 中需手动配置。测试显示模型使用保守，但能有效提升长对话效率。

文章分析了数据智能体部署失败的原因，指出缺乏业务上下文是关键障碍。现代数据堆栈虽集中了数据，但企业数据仍分散混乱，智能体无法理解业务定义和数据源。上下文层（Context Layer）被视为解决方案，需整合企业数据并提供业务逻辑上下文。