搜索[c 17]结果-低调大师优秀个人博客

C# 用XiliumCefGlue做浏览器，JS和C#相互调用

2018-09-10

C#的发展历程第五 - C# 7开始进入快速迭代道路

原文: C#的发展历程第五 - C# 7开始进入快速迭代道路 C# 7开始，C#加快了迭代速度，多方面的打磨让C#在易用性，效率等各方面都向完美靠近。另外得益于开源，社区对C#的进步也做了很大共享。

2018-08-07

使用代码获得Netweaver里某个software component和C4C的版本

有同事问如何通过代码的方式获得Netweaver里某个Software component的版本信息，以及Cloud for Customer（C4C）的版本信息。

2018-06-16

Association, Composition and Aggregation in UI5, CRM, S/4HANA and C4C

C4C 只有两种: association或者composition。

2018-04-05

C/C++的内存泄漏检测工具Valgrind memcheck的使用经历

(fileops.c:1311) ==3511== by 0x4092184: vfprintf (vfprintf.c:1655) ==3511== by 0x409881E: printf (printf.c

2018-03-07

六种主流编程语言（C、C++、Python、JavaScript、PHP、Java）特性对比

六种主流编程语言（C、C++、Python、JavaScript、PHP、Java）特性对比，原文地址http://www.bieryun.com/896.html 这些年来我陆陆续续已经学习了六种编程语言

2018-02-03

《Objective-C入门经典》——2.3节管理Objective-C世界中的继承

本节书摘来自异步社区《Objective-C入门经典》一书中的第2章，第2.3节管理Objective-C世界中的继承，作者【美】Jesse Feiler，更多章节内容可以访问云栖社区“异步社区”公众号查看

2017-05-01

AI 泡沫规模达互联网泡沫17倍！实操看看是真的吗

# AI 泡沫规模达互联网泡沫 17 倍，零基础半小时用 AiPy 做个「AI 泡沫预警小工具」（附Prompt） > 不会编程也能做。

2026-09-29

17｜从Context Pack到业务上下文服务：企业如何逐步建设语义能力？

食味里新品项目中，BA林悦做过一个小实验。她把同一份会议纪要交给AI，使用完全相同的提示词：“分析川香鸡腿饭套餐上线风险，并给出需要确认的问题。” 第一次只提供会议纪要。AI给出一组看似合理的通用建议：确认供应商交期、检查门店库存、安排培训。第二次，她又补充了产品与套餐定义、配方版本、物料编码、供应商SKU映射、门店可售规则、系统职责和禁止推断项。AI这次发现：10kg鸡腿肉不能覆盖原12kg物料编码；供应商SKU只能映射食材物料；华南批准的替代关系不能自动用于华东；“POS已发布”也不等于门店已经可售。模型没换，Prompt没换，答案却从泛泛而谈变成了可以进入评审的问题。差别不在AI突然更聪明，而在它获得了完成这项任务所需的业务上下文。很多企业由此直接跳到另一个极端：既然上下文重要，就立项建设企业知识图谱、全域本体或统一语义中台。可对于刚开始探索的组织，这通常范围过大、价值太远。更务实的路线，是先围绕一个高价值任务制作Context Pack，在使用中沉淀团队共享资产，再从稳定且重复的语义中形成领域本体，最后把本体、规则、证据与数据接口封装成业务上下文服务。 ## 一、为什么同一个Prompt，换一份上下文就像换了一个AI 大模型拥有通用知识，却不知道食味里的局部事实。它不知道“产品”只指菜品或饮料，“套餐”是独立对象；不知道MAT-CHKN-010代表10kg规格，也不知道库存可用还受批次质量和地点约束。如果这些信息缺失，模型只能用语言相似性和常见经验补齐空白。上下文也不是越多越好。把整套制度、三年会议纪要、所有系统表结构一次性塞进去，会产生三类问题：真正关键的规则被噪声淹没；不同版本和部门口径互相冲突；敏感信息超出当前用户与任务的权限。因此，上下文工程的核心不是扩大输入，而是选择、组织、约束和治理输入。Context Pack就是这种思想的轻量载体：针对一个任务，把必要的业务事实、语义、规则、证据、范围和输出要求打成一个可复用、可检查的包。 BABOK与《PMI商业分析指南》虽然不使用Context Pack这个名字，却提供了它应包含的业务骨架：商业需要和目标说明为什么做，相关方与角色说明谁关心和谁裁决，需求与模型说明需要什么，规则与约束说明哪些判断合法，跟踪与变更记录说明内容从哪里来、何时变化。 ## 二、一份可用的Context Pack，至少包含什么食味里为“新品上线风险分析”制作的Context Pack，不是一堆附件的压缩包，而是一份有层次的任务协议。 |层次|需要回答的问题|食味里示例| | --- | --- | --- | |任务与成功标准|AI要完成什么，什么算完成|识别上线阻塞、证据与下一轮问题，不替业务批准| |范围与时点|哪些品牌、区域、门店、日期有效|华东/华南120家试点；分析时点为上线前一周| |已确认事实|哪些内容可作为事实使用|套餐组成、配方版本、物料编码、接口状态| |术语与关系|词语指什么，对象如何连接|套餐组成产品；配方使用食材物料；SKU映射物料| |规则与例外|什么条件下可判断，何时需要人工|门店可售条件；紧急试点需OA例外审批| |角色与权限|谁使用、谁确认、谁能批准|研发裁决配方，质量批准供货项，运营确认可售| |数据与证据|动态事实从哪里来，如何定位|WMS库存批次、SRM准入、BOH门店状态及原文链接| |已知未知|哪些信息缺失或冲突|新供应商过敏原资料待质量确认| |禁止推断项|AI不能自行跨越哪些边界|有库存≠可售；供应商SKU≠产品；未批准≠默认通过| |输出格式|应怎样表达结论|确定/可能/待确认影响，附路径、证据与责任人| 这里最容易漏掉的是“禁止推断项”。传统提示词常告诉AI应该做什么，却没有列出它绝不能擅自做什么。对企业任务而言，禁止项相当于语义护栏：没有证据时不得把候选当事实，不得把部门意见当批准规则，不得用华南关系推断华东状态，不得因供应商变化直接断言标签或过敏原信息改变。另一项常被忽略的是时点。Context Pack不是永远正确的百科全书，而是对某个任务时刻的受控快照。它需要包ID、版本、创建人、来源版本、生效范围、更新时间和复核日期。源材料、规则或数据发生变化后，旧包应显示“可能过期”。 Palantir Model Studio的资料提供了一个可迁移的治理启发：一次训练运行会记录输入映射、配置版本、实验和输出，并通过血缘展示来源；源数据更新后，模型可能显示过期。它讨论的是模型训练，但Context Pack同样应做到“本次AI任务用了哪一版输入、规则和配置”可回放。 ## 三、Context Pack不是提示词模板，而是最小语义交付物提示词通常把任务、角色和输出格式写在一段文字里。Context Pack则把任务说明与业务资产分开管理：任务可以变化，确认过的术语、规则和证据可以复用；同一批语义资产也可以为访谈分析、需求核实和变更影响等不同任务组装不同包。《Ontology Development 101》提出通过能力问题限定本体范围。Context Pack也可以用能力问题裁剪内容：如果任务只问“新供应商能否进入华南采购”，就不必加入全部顾客订单状态；如果任务要分析门店可售和订单履约，就必须补充配方、关键物料、库存批次、门店范围和订单异常规则。这也解释了为什么“把所有公司文档放进RAG”不等于有了上下文能力。RAG帮助找到可能相关的片段，Context Pack明确本次任务允许使用哪些事实、采用哪些定义、遵守哪些规则、缺什么信息以及应如何拒答。前者偏检索，后者偏任务契约。对BA来说，Context Pack还有一个现实价值：它把过去散落在项目简报、术语表、规则清单、数据字典、相关方登记册和提示词中的内容，组织成AI可以直接消费的交付物，但不要求企业先部署大型平台。 ## 四、从一个项目包，怎样沉淀团队共享资产食味里第一个包只服务川香鸡腿饭套餐。第二个新品项目开始后，团队发现很多内容重复出现：产品与套餐边界、配方版本规则、供应商SKU映射、门店可售条件、ERP/SRM/WMS/POS/BOH职责，以及“不得覆盖历史物料编码”等禁止推断项。此时不应简单复制旧包再修改。团队需要把内容分成三类。 **项目专属资产：**新品编码、试点门店、上线日期、本次供应商、当前风险和项目决议。它们继续留在项目包中。 **团队共享资产：**常用术语、规则模板、系统职责、证据类型、标准输出格式和评审角色。它们进入团队术语与规则库，由owner维护。 **领域候选资产：**产品、套餐、配方、食材物料、供应商SKU等稳定对象，以及组成、使用、映射、替代、可售等关系。它们还不是组织级本体，需要经过多个项目验证边界和复用价值。 BA在每次包更新时标记“复用来源”和“局部覆盖”。例如，团队规则规定供应商SKU只映射食材物料；某项目可以增加适用区域，却不能悄悄把SKU改为映射产品。若确实要改变共享定义，必须发起变更并分析已有包的影响。这一步与领域驱动设计中的限界上下文思想有相通之处：同一个词可以在特定业务边界内有明确含义，不必一开始强求整个企业只有一种模型。先让产品与物料领域内部形成共享语言，再处理它与财务、营销或人力领域的映射，比直接追求全企业“唯一词典”更稳妥。 ## 五、什么时候应该从共享库升级为领域本体不是资产一重复就要建本体。升级需要出现明确触发条件。 - 同一概念被三个以上项目或AI任务反复使用，复制维护开始产生版本冲突。 - 仅靠术语定义已经无法表达组成、替代、状态、范围和时间等关系。 - 团队需要回答跨对象、多跳影响或一致性问题。 - 规则需要读取对象关系和状态，而不是只做文档问答。 - 多个系统编码需要映射到稳定业务对象，并保留权威来源。 - 变更必须通知多个应用、测试与责任人，项目级人工同步成本明显上升。达到这些条件后，团队可以把稳定的共享资产建成“产品与物料领域本体”：定义对象身份、关系方向、状态、规则、证据、owner和版本。项目Context Pack不消失，而是引用领域本体中的已发布资产，再补充本项目的范围、动态事实和任务要求。《企业本体建模方法与实战指南》强调从高价值场景和能力问题出发，先形成最小可运行本体，再逐步复用扩展。《本体驱动的AI数据管理》则把本体放在事实、事理和行动的连接位置。两者共同说明：本体升级的理由不是模型“看起来更专业”，而是项目包已经需要可查询关系、可测试规则和统一治理。 ## 六、从领域本体到业务上下文服务，还缺哪一步领域本体解决“业务世界怎样定义”，业务上下文服务解决“在这个用户、任务与时点下，应该交付哪部分业务世界”。服务化不是给本体套一层API就结束，而是动态完成六件事。 1. 识别任务意图：这是访谈核实、可售判断还是变更分析。 1. 解析调用者身份与权限：BA、采购、质量和门店可见内容不同。 1. 选择适用语义：加载产品与物料领域的概念、关系和规则版本。 1. 获取动态事实：从SRM、ERP、WMS、POS或BOH读取当前状态。 1. 组装Context Pack：按Token预算保留必要内容，并列出未知与禁止推断。 1. 返回结果与来源：同时提供上下文、证据引用、版本、新鲜度和审计ID。例如AI要回答“SH-018门店能否销售SET-1001”，上下文服务不会返回整个餐饮本体。它只组装套餐组成、关联产品、当前有效配方、关键物料、可用库存、门店范围、培训与菜单状态，以及可售规则和缺失证据。质量合同价格若与任务无关且调用者无权查看，就不会进入包。语义API的重点也不是提供一个`getOntology()`接口，而是提供面向任务的能力，如“解释对象”“取得适用规则”“检查门店可售上下文”“生成变更影响上下文”。调用者拿到的不只是数据值，还包括业务定义、适用范围、来源、版本和允许使用方式。 ## 七、四级成熟度：每一级都要能独立创造价值 |级别|核心形态|主要价值|升级触发|投资边界| | --- | --- | --- | --- | --- | |L1 项目上下文包|人工维护的任务包|提高单项目AI输出质量与证据完整性|多个包反复复制同一术语和规则|不建平台；用Markdown、表格和版本库即可| |L2 团队共享语义库|术语、规则、角色、系统职责模板|减少重复定义，支持团队复用|冲突增多，需要关系查询与跨项目影响|建owner与发布流程；不追求全企业统一| |L3 领域本体|稳定对象、关系、状态、逻辑与映射|支持多跳分析、一致性检查和跨系统对齐|多个AI应用需要实时、受权的同一语义|投资领域模型、映射、质量和版本治理| |L4 业务上下文服务|按任务动态组装并交付上下文|为多个AI/Agent提供一致、受控、可审计语义|跨领域决策与受控行动需求出现|投资API、权限、监控、SLA；避免无场景平台化| 成熟度不是采购清单，也不要求所有企业走到L4。一个只有两个低频AI分析任务的团队，在L1把证据、规则和禁止推断做扎实，可能已经获得足够价值。只有当复用规模、动态性、风险和协作复杂度共同上升时，平台化投资才合理。每次升级前都应回答三道门槛问题：当前人工维护成本是否已经高于共享建设成本？新一级能力能否改善明确的业务指标或风险？如果项目停止，已沉淀资产能否被其他任务继续使用？答不上来，就应停在当前级别继续验证。 ## 八、怎样判断Context Pack质量够不够 Context Pack可以用四个维度检查：完整性、清晰度、相关性和Token效率。任务、关键事实、术语规则、范围、未知项和输出要求是否齐全；不同层之间是否矛盾；每段内容是否直接服务当前任务；输入是否为模型留下足够的响应空间。食味里包还需要做三类测试。 **删除测试：**删除某条规则后，AI是否开始把有库存误判为可售？若是，该规则属于必要上下文。 **冲突测试：**同时放入新旧物料规则时，AI是否能依据版本和生效时间选对？若不能，包缺少版本或优先级说明。 **越界测试：**当过敏原资料缺失时，AI是否提出待确认问题，而不是自行判断无变化？若仍猜测，禁止推断和失败回退还不够清楚。 Context Pack技能的分层方法建议按任务、业务背景、数据结构、既有发现、约束和输出格式组织内容，并控制输入Token预算。企业实际使用时，可以在此基础上增加语义资产、证据、角色权限、未知项和禁止推断，让它更适合高风险业务分析。 ## 结语：先把一次任务的上下文交付好企业语义能力建设最容易犯的错误，是把终局架构当成起点。因为未来可能需要本体和上下文服务，今天就先建平台；因为想让AI理解企业，就试图一次性整理全部知识。结果往往是投入很大，真实任务却仍靠人复制材料和解释口径。食味里的路线更简单：先为新品上线风险分析做一份高质量Context Pack；在第二、第三个项目中识别重复术语和规则；当关系与变更复杂到共享库无法承载时，建设产品与物料领域本体；当多个AI应用都需要按身份、任务和时点取得同一语义时，再封装业务上下文服务。 Context Pack是语义能力的最小交付单元，领域本体是稳定的共享语义资产，业务上下文服务是按需交付这些资产的运行能力。三者不是互相替代，而是从项目实践到组织基础设施的连续演进。企业不必先拥有一座语义大厦。先让下一次AI分析不再从零解释业务，就是一个足够好的开始。 > 【案例说明】食味里及文中的企业、人物、系统、编码、指标和上下文服务均为虚构案例。成熟度门槛是方法建议，不是通用行业标准。涉及食品安全、标签、过敏原、保质期或监管要求时，正式发表与实施前必须核对最新国家标准、法规与企业制度。

2026-08-25