Alibaba tham chiến cuộc đua Agent: Đưa dữ liệu từ DingTalk và tài liệu doanh nghiệp vào AI

< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400">

2026-08-18 12:40:03 Nguồn: QbitAI

MyContext bổ sung lớp xử lý dữ liệu cho Agent

Meng Yao, đưa tin từ Aofeisi

QbitAI | Kênh chính thức QbitAI

Thật đau lòng! Dùng đủ loại sản phẩm, đủ loại plugin mà sao Agent của tôi vẫn không hiểu quy trình làm việc hàng ngày của tôi vậy chứ...

Ngay cả khi các loại Harness và sản phẩm AI đang tràn ngập thị trường như hiện nay, người dùng cá nhân và doanh nghiệp vẫn luôn khổ sở vì thiếu "ngữ cảnh" (context) trong công việc.

Đối với những thông tin quan trọng nhất trong công việc thực tế, Agent thường hoàn toàn mù tịt!!

Những gì đã trò chuyện với đồng nghiệp trên DingTalk, những quyết định đã đúc kết trong tài liệu, hay các quy chuẩn tiêu chuẩn của doanh nghiệp, tất cả những dữ liệu này thường nằm rải rác bên ngoài tầm với của Agent.

Vậy nếu tôi nói rằng, hiện đã có một thứ có thể trực tiếp xây dựng một lớp ngữ cảnh công việc độc quyền cho mỗi người thì sao——

Những thông tin lịch sử nằm rải rác trong các cuộc trò chuyện, tài liệu, cuộc họp, tất cả đều được thu thập và sắp xếp thành ngữ cảnh mà Agent có thể trực tiếp sử dụng.

Thậm chí, tôi vừa liếc nhìn qua, dự án này mới mã nguồn mở chỉ một tuần mà đã đạt hơn 1k Star trên GitHub rồi!?

Không vòng vo nữa, đó chính là cơ sở hạ tầng ngữ cảnh "MyContext" vừa được Alibaba Qwen Office mã nguồn mở trong vài ngày qua.

Những gì thứ này làm được có thể nói là cực kỳ "thẳng thắn"——

Trực tiếp xử lý dữ liệu công việc cá nhân nằm rải rác ở khắp nơi với các định dạng khác nhau thành hồ sơ độc quyền mà Agent có thể hiểu được, giúp Agent thực sự thấu hiểu người dùng và quy trình làm việc thực tế, cuối cùng hiện thực hóa sự phối hợp giữa người và máy trong các khâu ra quyết định và thực thi.

Hơn nữa, những gì MyContext chọn giải quyết ngay từ đầu lại là những "xương cứng" nổi tiếng trong ngữ cảnh doanh nghiệp.

Dữ liệu chuỗi thời gian bị trễ hoặc thay đổi liên tục, các sự thật mâu thuẫn lẫn nhau, cùng với chi phí tính toán phát sinh từ việc cập nhật liên tục khối lượng dữ liệu lịch sử khổng lồ, tất cả đều được giải quyết gọn gàng.

Khi các cuộc trò chuyện, tài liệu, cuộc họp và quy tắc nghiệp vụ đều có thể được xử lý liên tục thành ngữ cảnh mà Agent có thể sử dụng, thì Agent mới thực sự có cơ hội bước từ một công cụ chỉ biết thực thi lệnh sang quy trình làm việc thực tế.

Lần này, thực sự đã có người giúp chúng ta xử lý và tận dụng triệt để các thông tin dữ liệu trong bối cảnh nghiệp vụ thực tế!!

Từ dữ liệu phân tán đến ngữ cảnh khả dụng, MyContext bổ sung lớp xử lý dữ liệu cho Agent.

Agent Harness gần như đã trở thành từ khóa không thể bỏ qua trong giới AI năm nay.

Ở phía này, khả năng suy luận, viết mã và gọi công cụ của các mô hình liên tục đạt đến "next level".

Ở phía kia, các loại plugin, giao thức và khung thực thi liên tục bổ sung khả năng điều phối tác vụ, gọi môi trường, thực thi đa bước và quản lý trạng thái cho Agent.

Vì vậy, đến ngày nay, việc Agent xử lý các tác vụ văn phòng cá nhân đã ngày càng trở nên chuyên nghiệp hơn:

Viết báo cáo, tra cứu tài liệu, sửa bảng tính, chạy mã, thậm chí thực thi liên tiếp một chuỗi tác vụ phức tạp, tất cả đều dần bước vào giai đoạn có thể sử dụng tốt.

Nhưng, một khi thực sự đưa nó vào quy trình làm việc, một vấn đề nhức nhối vẫn sẽ nhanh chóng xuất hiện——

Agent này, thực sự không hiểu bối cảnh nghiệp vụ thực tế chút nào cả!!!

Hãy lấy một ví dụ mà mọi người đều có thể cảm nhận rõ trong công việc hàng ngày.

Chúng ta yêu cầu Agent cập nhật phương án khách hàng đã thảo luận tuần trước, sau đó sắp xếp thành tài liệu báo cáo theo tiêu chuẩn mới nhất của công ty.

Câu nói này đối với con người thì thông tin rất đầy đủ, nhưng đối với Agent, những nội dung trong nghiệp vụ thực tế này có thể tự nhiên nằm rải rác trong email, IM, tài liệu và các cơ sở dữ liệu khác nhau, thậm chí còn đi kèm với các vấn đề như cập nhật thời gian thực, xung đột phiên bản, ranh giới quyền hạn và thông tin quá hạn.

Kết quả là Agent vừa không hiểu quy trình làm việc của chúng ta, cũng không nắm rõ các quy chuẩn nội bộ doanh nghiệp, chỉ có thể dựa vào kiến thức chung của mô hình và Prompt hiện tại để hoàn thành tác vụ, thực sự là "đứng hình".

Và điều này cũng chính là phơi bày một vấn đề ngữ cảnh ngày càng cốt lõi khi Agent tiến tới các kịch bản cấp sản xuất.

Khả năng của mô hình liên tục được nâng cao không đồng nghĩa với việc sẽ đồng bộ hóa khả năng thấu hiểu các kịch bản công việc thực tế của Agent.

Công việc thực tế không bao giờ là một lệnh đơn lẻ, đằng sau mỗi tác vụ đều gắn liền với các thảo luận công việc nằm rải rác trên các nền tảng khác nhau, các quyết định đã được hình thành, trạng thái thay đổi liên tục, các quy tắc trong tổ chức, cũng như bối cảnh ngữ cảnh mà mọi người mặc định đã biết.

Những thông tin tích lũy liên tục và thay đổi không ngừng này cùng nhau tạo nên một "hiện trường nghiệp vụ" thực sự của tác vụ.

Một khi những thông tin nghiệp vụ này không thể đi vào ngữ cảnh, Agent chỉ có thể dựa nhiều hơn vào kiến thức chung và lệnh hiện tại, không thể thực sự nhúng vào quy trình làm việc cụ thể.

Điều nhức nhối hơn là, vấn đề này thậm chí đã dần trở thành nút thắt cổ chai về cơ sở hạ tầng phổ biến cho việc Agent tiến vào các kịch bản cấp sản xuất——

Khảo sát năm 2026 của Confluent cho thấy, 66% doanh nghiệp cho rằng cơ sở hạ tầng dữ liệu và chất lượng dữ liệu đang làm chậm quá trình triển khai Agentic AI; đồng thời, 80% doanh nghiệp đã liệt kê việc "sử dụng tốt dữ liệu của chính mình để thúc đẩy AI" thành ưu tiên hàng đầu trong kinh doanh.