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！