文｜钟楚笛
编辑｜周鑫雨
一句话介绍
ACONTEXT 是一个针对 Agent 的上下文数据管理平台。通过提供数据存储、决策路径观测与智能体自学习服务，ACONTEXT 为用户提供 Agent 执行复杂任务时的路径和决策原因，同时将 Agent 的任务执行成功率提高 30%-50%。
融资进展
近期，ACONTEXT 完成数百万美元天使轮融资，由红杉中国种子基金和明势资本共同投资。
团队介绍
创始人兼 CEO 叶坚白（Gus）：曾于微软亚洲研究院参与必应搜索广告算法的研发。2023 年以来，他曾加入王慧文创立的大模型公司 " 光年之外 "，参与大模型的分布式训练。此后，他加入了由前阿里 " 妙鸭相机 " 负责人张月光成立的 AI 应用公司 " 沐言智语 "，主要负责内部模型训练、RAG 系统的搭建。
从业期间，叶坚白负责了多个热门开源项目的研发，比如其主导的 AI 长期记忆解决方案 Memobase，在 GitHub 上获取了 2.6K Stars, 服务了多个知名的 AI 产品；他曾用 1000 行代码复现微软 2 万行代码的 GraphRAG 算法，在 Github 上获得了 3.7K stars。
ACONTEXT 团队的主要成员，均来自字节跳动火山引擎、百度、微软等大厂或 AI 明星公司。
产品及业务
AI 应用正在经历一场从 Chatbot 到 Agent 的快速进化。Gartner 在 2025 年发布的战略技术趋势报告显示， Agent 已位列年度十大技术趋势之首，预计到 2028 年，将有 33% 的企业级软件由 Agent 驱动。
于是，如何支撑 Agent 的大规模落地，已成为全行业最迫切的技术命题。 不同于 Chatbot 的简单对话交互，Agent 的核心特质在于具备规划、执行与反思的能力。
在上一家公司工作期间，叶坚白探索了 ChatBot、Agent 等不同形态的 AI 产品。其中两个有关数据的趋势，引起了他的注意：
一方面，AI Agent 在运行中生产的数据，起码是 Chatbot 的千倍。"100 万 Tokens，能让 ChatBot 用户大概使用 3-7 天，但只能让 Coding Agent 用户用 10-20 分钟。"
另一方面，目前，市面上并没有针对 Agent 行为数据的存储、管理和利用方案。叶坚白告诉我们，无论 AI 应用形态如何，其存储的核心数据构成，都是将用户行为打包为大模型可理解的数据格式，也就是 Context，上下文。对 Agent 而言，对 Context 的深度挖掘和利用，决定了 Agent 智能和用户体验的上限。
这两个趋势，让叶坚白决定以 Context 作为创业的切入点：专为 Context 数据搭建一套存储、监测、自学习的 Infra，以挖掘 Context 中的利用价值。
2025 年初，叶坚白做了第一个产品尝试—— Memobase。这是一个瞄准 C 端 Chatbot 的记忆解决方案。接入该方案的 AI 应用，可以在 100 毫秒以内，根据用户的历史数据，形成用户的画像。基于 Memobase 得出的用户画像，Chatbot 能够生成个性化的回答，提升用户体验。
这一套方案，已经在造梦次元，捏 Ta 等 10 余家 AI 初创企业中落地，每日为超过 5 万名活跃用户提供记忆建模服务。
不过，叶坚白判断，做单点的记忆存储方案，壁垒有限，" 你不掌握 Context 数据，数据存储在第三方云厂商那儿，单点的记忆方案很容易被上游厂商‘吞并’。" 与此同时，在商业化层面，Memobase 难以衡量 ROI（投入产出比），不利于公司制定收费模式。
在他看来，中间层厂商的核心壁垒，在于建立开发者生态。其中的逻辑在于，对中间层厂商而言，Context 是最有价值的数据资产。因此，想要积累更多的 Context 资产，就需要建立繁荣的开发者生态。
2025 年 11 月，团队上线了新产品 ACONTEXT。ACONTEXT 本质上是一个针对 Agent 的 Context 数据管理平台，通过对 Context 数据的沉淀、理解、挖掘，从而降低 Agent 的开发、落地、管理的门槛，提高 Agent 开发和管理的效率。
ACONTEXT 为 Agent 开发者提供的服务，主要贯彻在三个阶段：
首先，在 Agent 开发阶段，ACONTEXT 解决了初期复杂的 " 底层基建 " 问题。围绕上下文数据，构建数据存储和使用的管线，让 Agent 数据存储开箱即用。
这种做法保留了大模型全局推理的完整性，开发者无需再考虑多模态信息的存储、沙盒环境的调配、文件系统的兼容等问题，也不用手搓数千行代码去对接各种零散的数据库，缩短了产品的上线周期。
其次，在 Agent 上线阶段，ACONTEXT 提供了对 Agent 的实时监测和管理服务。
传统的反馈依赖于低效的用户调研，或者靠人力在数据库中检索。ACONTEXT 则在后台内置了一个用于审计的 Agent。它会自动拆解 Agent 和用户行为，为开发者提供 Agent 的具体执行过程、用户的实时反馈。
最后，ACONTEXT 通过 " 建立 Agent SKills" 的方式提升了 Agent 的稳定性。审计 Agent 在监测 Agent 行为的同时，也用于 Agent Skills 的建立。ACONTEXT 的自主学习系统会将成功执行的路径提取，变成 Agent 的专属记忆或技能包。同时也会对失败的任务进行分析，提取经验。
这意味着，当用户下一次提出类似需求时，Agent 不再需要盲目探索，而是可以直接调取已经验证过的流程，降低了 Agent 行为的不确定性。
叶坚白告诉我们，" 我们的目标是帮客户实现 Context 数据飞轮。只有这样，Agent 产品才算是开始建立用户粘性和产品壁垒。"
在 ACONTEXT 的 POC（概念验证）阶段，该方案帮助 Agent 提升了 30%-50% 的任务成功率，同时减少了 10%-30% 的运行步骤。
Founder 思考
1. 与以往互联网复杂的数据心态不同，AI 应用的数据形态极其单一。
在 Web 2.0 时代（如淘宝、美团），开发者需要处理用户点击、停留时间、购物车等成百上千种零散的数据信息。但在 AI 时代，99% 的数据最终都是一种格式，即 Context。没有办法将自己的数据，转换为方便放进大模型上下文里的产品，都将受到极大的挑战。
2. 目前全行业都在推崇 Embedding（向量检索）解决记忆问题，但这反而是卡死大模型智商的要害之处。
大模型处理文本能力很强，参数量都是千亿级的规模，但向量模型很小，通常只有几十 MB 的参数量，如果用向量去检索，那么找出来的东西大概率会是断章取义的。因此，真正的进化方向是把决策权还给大模型，让它自己决定深挖哪部分信息。这样 Agent 才能展现出组合型的推理能力。
3. 集成型创新才是年轻人的主战场。
算力集群管理、分布式训练这种单点型 Infra，它重规模、重资产，大厂在此更有优势。相对于单点型 Infra，集成型 Infra 并非意味着发明了新的数据库形态，而是将第三方的资源和服务进行组合优化，输出新的产品和服务形态，考验的是早期团队对生态位的选择。
大厂在做集成型 Infra 时会有天然的路径依赖，他们更想卖云资源、卖 S3 存储。而年轻团队没有包袱，我们更清楚 Agent 开发者需要什么，因此集成型创新 Infra 的机会是留给年轻团队的。
4. 2026 年最值得关注的趋势是 Agent 的 Environment（环境）。
2026 年，Agent 的算法和逻辑会变得高度同质化，届时决定胜负的将不再是 Agent 够不够聪明，而是它与环境（Environment）的连接深度。
Coding Agent 能率先爆发，是因为程序员的工作环境是标准的、整洁的。但未来的财务、法务、政务 Agent，面对的是极度混乱、没有统一标准的数据环境。因此在 2026 年，Agent 的 Environment，应该会是频繁出现的一个领域。
5. 对于 Agent Infra 而言，核心壁垒在于生态。
对于 Agent Infra 而言真正的壁垒不在于技术或者数据，而是在于生态，即你的用户会愿意为你的产品创造内容。比如当大家搜 "data context data" 或当大家搜 "context data platform" 的时候， Google 的前 10 条里面有 6 条是跟你相关的时候，这个壁垒才算真正形成。
欢迎交流！
