Prukalpa Sankar, Atlan · 20:54
這支影片在講：Production agent 缺的其實是 context layer
模型能力再強，若不懂公司怎麼定義指標、流程怎麼例外處理、資料能不能相信，agent 依然只能做出漂亮 demo。Prukalpa Sankar 主張把這些隱性知識做成可治理的基礎設施。
Published: 2026-07-14 · Video ID: 8G_1-3IO4ZQ
01 / 問題
模型懂世界，不懂你的公司
Agent 面對「本季活躍客戶」這類問題時，缺少指標定義、資料血緣與部門慣例，答案再流暢也可能錯。
02 / 反轉
Prompt 與 fine-tuning 不會累積組織知識
它們很難被審查、回歸測試、跨框架移植，也無法把每次實際執行的教訓穩定回寫成共用資產。
03 / 解法
把 context 當成產品化基礎設施
用 context repo、simulation 與 trace feedback，形成可演進的知識層，而不是把關鍵規則埋在某個 agent 的 prompt 裡。
Signals
影片提出的四個設計轉折
Model trend
2 年
模型從無法通過律師考試到頂尖 1% 成績；能力不是唯一瓶頸。
Context repo
Versioned
Context 要能被版本控制、檢閱與測試，才可以安全地演進。
Before deploy
Simulate
先在模擬環境找出失敗路徑，不要把第一個真實客戶當測試場。
Portability
Open
以 MCP、Iceberg 等開放介面降低框架綁定，讓 context 不被單一 agent 鎖住。
Core story
讓 context layer 能在 production 工作的三件事
01
把「公司怎麼做事」從聊天紀錄中抽離
商業術語、資料定義、批准流程與例外規則，正是人類專家有而模型沒有的脈絡。把它們整理成明確資產，才能讓輸出可追溯、可更新。
02
用 simulation 在部署前暴露錯誤
Context 不只要能檢索；也要能配合情境模擬與評估，確認 agent 是否在模糊定義、過期資料或例外流程下仍做出合理決策。
03
讓 execution traces 回流成共用知識
每次 agent 成功或失敗的 trace，應餵回團隊的 context，而非留在單次 session。這使系統能隨真實工作累積，而不是一直重複同一種錯。
Practical checklist
導入 agent 前，先問團隊這五題
這個任務的商業名詞有沒有唯一、可檢查的定義？先把 KPI、客戶狀態、資料時間窗與例外處理寫清楚；這比再加一段 prompt 更可靠。
Context 能否被 version control 與 code review？規則變更應留下理由、負責人與測試，避免知識只存在某位 prompt author 的腦中。
部署前是否有接近真實的 simulation？測試不只看正確答案，也要覆蓋資料衝突、權限不足與流程例外時的行為。
Trace 是否會被整理並回寫到 context？把重複失敗的原因轉成團隊可用的修正，才會產生長期複利。
Context 是否能跨 framework 與工具攜帶？選擇開放介面，避免組織知識跟著單一 agent runtime 一起被鎖死。
Source video
原影片與來源
AI Engineer · Prukalpa Sankar（Atlan） · 20:54 · YouTube 原始影片