Context Packets：让 AI Workflow 不再每次重新解释

Axon AI 2026-05-29 AI 数字员工 Agents 数字员工

#Context Engineering#AI Workflow#Memory#Axon

摘要：本文提出 Context Packets：由 Workflow 准备上下文，把 Source Data、Memory、角色规则和产物状态组合成可控输入，让 AI 数字员工少问重复问题。

Context Packets 是 AI Workflow 在运行前准备好的上下文包：它把 Source Data、Memory、角色规则、业务约束和 artifact 状态组合成可控输入，让 AI 数字员工不必每次重新问同样的问题。很多白领用户每天都在重复解释背景、手动粘贴资料、担心模型漏看关键约束。真正的问题不是 LLM 没有“记忆”，而是上下文没有被工作流化管理。Axon 如果要让数字员工稳定执行，就应该让 Workflow 负责准备上下文，而不是让聊天窗口承载一切。

Anthropic 的 Effective context engineering for AI agents 把上下文工程描述为从 prompt engineering 演进出来的更整体问题：模型行为取决于采样时可见的上下文状态。对 Axon 来说，这个问题不应该只交给用户临场输入。Context Packets 可以把上下文变成工作流的一部分。

记忆不是把所有历史都塞给模型。好的记忆，是在正确步骤给出刚好够用的上下文。

Context Packet 里应该有什么

一个可用的 Context Packet 不需要无限大。它需要的是边界清楚、来源明确、适合当前步骤：

上下文层	内容	作用
Source Data	本次运行指定资料	防止模型猜输入范围
Memory	用户偏好、业务习惯、长期规则	避免重复解释
Role Rules	当前 Agent 的职责和禁区	防止越权
Artifact State	上次产物、当前版本、待处理项	让工作可延续
Decision Notes	owner 的确认、驳回和修改原因	形成可追溯判断

这和 Source Data 字段是同一条线。Source Data 解决输入边界；Context Packets 进一步解决“这次运行需要怎样理解这些输入”。

一个上下文包示例

contextPacket:
  task: "monthly vendor risk note"
  sourceData:
    - "vendor invoice table"
    - "payment history"
    - "contract risk clause"
  memory:
    - "finance team prefers exception-first summaries"
    - "amounts must use USD and local currency"
  roleRules:
    - "do not approve payment"
    - "flag missing contract terms"
  artifactState:
    previous: "vendor-risk-note-2026-04.md"
    currentTarget: "vendor-risk-note-2026-05.md"
  decisionNotes:
    - "owner rejected last draft because clause source was missing"

这个包不是让模型变得更“聪明”的魔法，而是把执行所需的上下文整理成可检查的输入。

为什么不能只靠长聊天记录

长聊天记录有三个问题。

第一，重要信息和闲聊混在一起。用户以为说过，模型未必应该在当前步骤使用。第二，聊天记录难以复用。下一个 Agent 或下个月的运行很难知道哪段历史有效。第三，聊天上下文没有 owner。出了问题后，团队不知道是资料缺失、记忆过期，还是规则没有传进去。

Context Packets 把这些问题拆开：Source Data 有来源，Memory 有更新逻辑，Role Rules 有责任边界，Artifact State 有版本。这样才能和 Prompt-to-Skill migration 配合：把常用过程知识从聊天里抽出来，放进可复用的 Skills 和 Workflows。

上下文预算也要被治理

上下文不是越多越好。一个数字员工如果每次都读全部文档、全部历史和全部规则，成本会上升，注意力也会变差。更合理的是按步骤给上下文：

Intake step：只需要 Source Data 清单和缺失项。
Analysis step：需要相关资料、业务规则和上一版 artifact。
Draft step：需要语气偏好、结构模板和验收标准。
Review step：需要 owner notes、风险边界和变更摘要。

Context Packet 的生成流程

Workflow 根据 trigger 识别任务类型。
Source Data 提供本次运行的资料边界。
Memory 只选和当前任务相关的偏好与规则。
Artifact State 拉取上一版产物和待处理项。
Agent 在这份 Context Packet 上运行，而不是重新向用户要背景。

这会让 AI Workflow 界面更清楚：用户看到的不只是“输入框”，而是“这次 Agent 将带着哪些上下文工作”。

上下文审查问题

Q1：Context Packets 和 Memory 是一回事吗？
不是。Memory 是长期偏好和规则；Context Packet 是某次工作流运行时组装出来的上下文包。

Q2：上下文包会不会泄露太多信息？
如果设计得好，反而更安全。它让每个步骤只拿到需要的信息，而不是把全部历史交给模型。

Q3：什么时候最需要 Context Packets？
当任务会重复运行、依赖用户偏好、需要延续上次产物，或涉及多人协作时，最需要。

先让一个 Workflow 少问重复问题

落地 Axon Context Packets 时，可以先选一个经常需要解释背景的 Agent，把 Source Data、Memory、Role Rules 和 artifact state 做成上下文包。再结合 workspace artifact acceptance contract，让数字员工从“等用户补上下文”变成“带着正确上下文开工”。了解更多上下文工程、探索更多运行边界后，再扩展到更复杂的链式 Skills。