携程汪政分享差旅Agent：偏好图谱与上下文工程实践，聚焦业务语义理解

Agent进入企业流程的核心挑战

当AI Agent真正深入企业业务流程，焦点已从单纯生成内容转向理解目标、调用系统并闭环任务。随着大模型能力向推理、多模态及长任务延伸，工程重心正在转移，开发者需关注上下文设计、工具集成及反馈回路构建。OpenAI、Google Cloud及Anthropic的实践表明，模型定义能力边界，而工程化决定其生产价值。在此背景下，2026年AICon北京站大会成为展示这些实践的重要舞台，汇聚了包括携程商旅CIO汪政在内的多位专家，探讨如何让Agent真正理解企业约束。

差旅场景下的语义构建难点

企业差旅Agent的复杂之处在于需同时处理员工个人偏好、企业差标、审批条件及实时可订资源。汪政在演讲中指出，仅仅“检索正确”并不等同于“理解企业”。他以携程商旅AgentONE架构为例，拆解了四类关键信息：用于解释的文档知识、表达关系的业务图谱、获取实时事实的工具调用以及由代码执行的业务约束。这种分层视角避免了单一RAG方案包办所有问题的局限，强调了不同信息源在决策链路中的独特角色。

偏好图谱与最小语义契约

构建业务语义应先从具体任务反推最小对象与关系，而非盲目建立“大而全”的知识图谱。在差旅场景中，需严格区分“偏好”与“许可”。偏好图谱通过按城市召回相关资源，确保“召回相关”而非“召回更多”。AgentONE采用共享State融合多源上下文信息，并由系统注入企业身份，支持多路受控路由。这种设计使得偏好获取仅需单次聚合图查询，结合交通衔接规则校验，能显著提升决策的准确性与效率。

上下文工程与错误处理机制

Context Engineering的核心在于将“这次想要什么”的即时需求与“长期喜欢什么”的历史偏好分离处理。AgentONE在推荐过程中，若遇到校验错误，系统并非盲目重试，而是触发候选池复用与定向重试机制。这一机制利用错误证据驱动修复，确保输出结果既有依据又受约束。汪政强调，从模拟原型到真实业务集成存在明显的工程鸿沟，必须通过真实候选池、资源编号及业务规则来验证输出，从而跨越这一鸿沟。

验收指标与落地边界

验收Agent是否真正“理解企业”，需依赖清晰的证据链与量化指标。汪政建议建立从生成结果到业务验收的工程路径，明确模拟测试与生产成效之间的差距。通过掌握任务驱动的上下文与记忆工程细节，企业能更有效地判断哪些知识适合文档检索，哪些关系应进入图谱，哪些事实必须实时查询。这种基于证据的验收方式，有助于明确落地边界，确保AI技术在企业差旅管理中真正实现降本增效与全球化运营支持，而非仅停留在概念验证阶段。

来源：InfoQ