一家香港保險公司的理賠經理，向公司新上線的 AI 代理提出一個簡單問題：太古城這宗單位滲水索償，應否全額賠付？
AI 代理把保單條款讀得一字不漏，也找到了理賠檔案和相關條文。然而，它建議拒賠。原因是它根本不知道：過去一年同類例外已獲批 40 次；核保總監在三月簽批了新的條款解讀；而這位客戶是每年保費達 300 萬港元的企業客戶。
這個 AI 代理並不缺數據，它缺的是情境。情境圖譜（Context Graph）要解決的正是這個缺口，這也是 SAP、Atlassian 和 Google 在過去兩星期，不約而同把「情境」放在企業 AI 發布核心位置的原因。
什麼是情境圖譜？
情境圖譜是一張描繪機構實際運作方式的關係網絡，把人員、任務、系統、政策和過往決策連接起來並標上時間，讓 AI 代理擁有資深員工腦中的處境知識，依據先例行事。
技術上，它以節點儲存實體（客戶、合約、審批人），以連線儲存關係。它與一般知識圖譜的分別，在於同時記錄決策軌跡：某宗個案如何決定、依據哪個版本的政策、援引了哪項例外。
為什麼情境圖譜突然成為企業議題？
2026 年 10 月，SAP、Atlassian 和 Google 先後把代理策略押在情境之上：SAP 收購 TechWolf，Atlassian 公布 Teamwork Graph 數據，Google 推出 Knowledge Catalog。情境圖譜由此走進董事會。
10 月 6 日，SAP 宣布收購 TechWolf，看中其「工作情境圖譜」，並指它能提升 token 效率、降低部署人力代理的成本。
據 IT Brief 報道，Atlassian 內部測試顯示，接入 Teamwork Graph 的代理少用 48% token，準確度提升 44%。這是廠商自家基準，但方向一致。
情境圖譜與 RAG、知識圖譜、數據倉有何不同？
數據倉用於報表，RAG 在提問時檢索文件段落，知識圖譜連接實體。情境圖譜在實體關係之上加入決策歷史與時間，代理可直接追溯先例，不必每次從零散文字重建全貌。
--- 數據倉：擅長總體統計，難以解釋個案為何被特別處理。
--- RAG：適合查政策，但每次都要由碎片重組情境，成本高。
--- 知識圖譜：多屬靜態，不記錄決策。
--- 情境圖譜：連繫先例、負責人、政策版本與結果，並隨時間更新。
情境圖譜實際包含什麼？
實用的情境圖譜有五層：核心實體、負責的人員與角色、政策及版本歷史、記錄例外與審批的決策軌跡，以及時間標記。五層合一，代理才能回答「為什麼」。
其中最常缺席的是人員角色與決策軌跡。只看最新政策版本的代理，會誤判舊規則下開立的個案；沒有審批紀錄的圖譜，則只是一個更好的 CRM。
如何在不啟動多年數據工程的前提下建立情境圖譜？
從一項高頻決策入手，從現有流程日誌記錄決策軌跡，只連接該決策用到的系統，並比較導入前後的準確度與 token 成本。第一項見效後才擴展。
--- 選題：量大、有成文政策、例外頻繁，例如理賠例外、信貸覆核、退款審批。
--- 擷取：審批日誌與工單紀錄已有大部分軌跡，不必重建十年歷史。
--- 連接：原地連接記錄系統，避免複製數據。
--- 衡量：只看準確度與每宗個案 token，60 天無改善便要調整。
關於為何不應搬移數據，可參考我們的零複製 AI 指南。
情境圖譜在香港企業中是什麼模樣？
在香港，情境圖譜最能發揮價值的，是依賴人脈與先例的決策，例如保險理賠例外、物流客戶專屬條款，以及專業服務的委聘審批。它把口耳相傳的經驗變成可查詢、可審計的資產。
回到那家保險公司。有了圖譜，代理會發現這宗索償與 40 宗已批例外吻合、三月的解讀適用，於是建議賠付並引用先例，交由人員一鍵確認。
據 Mayer Brown 分析，私隱專員公署 2026 年審查的 60 間機構中有 57 間已日常使用 AI。記錄代理用了哪些數據，正是《私隱條例》問責的有力證據。
建立情境圖譜時最常見的錯誤是什麼？
最常見的錯誤是把它當作 IT 數據項目、試圖一次為整間機構建模、只連靜態實體而忽略決策軌跡，以及讓代理存取整張圖譜而非角色所需部分。
另一個隱患是無人負責更新。過時的情境比沒有情境更危險，因為代理會自信地照做，所以每個決策範疇都要有業務負責人。
如何向董事會提出情境圖譜投資？
把它定位為降低成本與風險的槓桿，而非技術採購。列出目標決策、現時錯誤率與上報率、每宗個案 token 成本，以及 60 天試點的前後對比。
若大部分工作都在單一平台內完成，廠商內建的情境能力已足夠；若決策橫跨多個系統，情境層便是值得自己擁有的戰略資產。
重點速覽
--- 定義：連接實體、人員、政策與決策軌跡並標上時間的關係網絡，為 AI 代理提供依據。
--- SAP 收購 TechWolf：2026 年 10 月 6 日宣布，預計第四季完成。
--- Atlassian Teamwork Graph：內部測試少用 48% token，準確度提升 44%。
--- Google Knowledge Catalog：2026 年 10 月 8 日推出，Bloomberg Media 早期 SQL 準確度提升 63%。
--- 起步點：一項高頻且經常出現例外的決策。
結論：代理需要記住你如何做決定
企業 AI 的下一階段，勝出者不會是模型最大的機構，而是旗下代理最懂得「這間公司如何做決定」的機構。情境圖譜讓這份理解成為資產，不會因資深經理退休而隨之流失。
懂AI的冷，更懂你的難。UD 同行28年，讓科技成為有溫度的陪伴
由 UD 企業 AI 團隊審閱。文中廠商數據已於 2026 年 10 月 12 日根據上述連結核實，屬廠商自家基準。
讓你的第一個 AI 代理建立在真實業務情境之上
了解了框架，下一步是找出最快見效的那一項決策。UD 團隊手把手帶你完成每一步，從梳理決策與負責人、連接系統，到部署代理及追蹤準確度與成本，28 年企業服務經驗，全程陪你走。
