bingdadaMyContext 是千问办公开源的第一个项目，旨在通过分析用户在飞书、钉钉等工具中的聊天、文档和会议记录，自动生成一份持续更新的个人工作档案，为 AI Agent 提供理解用户工作方式的上下文。
在生成式 AI 进入企业办公的深水区后，一个关键问题逐渐浮出水面：AI 助手虽然能写邮件、做总结，却对“你”一无所知。它不了解你的工作习惯、协作网络和决策偏好，每次任务都像面对一个失忆的同事。近期，千问办公团队开源了其首个项目 MyContext，试图解决这一痛点——从飞书、钉钉等日常办公工具中，自动蒸馏出一份持续更新的“个人工作档案”，让 AI Agent 真正理解用户的工作方式。
如果把 AI Agent 比作一位新入职的员工，它最大的障碍往往不是能力不足，而是缺乏对业务背景和用户个人风格的了解。每次接受新任务，都需要从零开始理解提示词和零散的资料。这种“上下文缺失”正是许多企业级 AI 项目难以落地的核心原因。根据 MIT 发布的相关报告，约 95% 的企业级生成式 AI 试点未能获得预期收益，数据基础设施的缺失是主要瓶颈之一。
MyContext 的定位正是填补这一层“记忆”空白。它不同于传统的企业知识库，而是聚焦于个人工作场景，通过持续抓取并分析即时通讯、文档协作、会议记录等工作痕迹，构建一个动态更新的个人画像。这个画像不仅包含静态的知识，更涵盖了动态的工作模式，例如：用户的核心职责是什么、同事通常如何寻求协作、接到任务后的处理路径、最终交付的格式，以及个人处事的原则和边界。
MyContext 的运作机制并非简单的 LLM 总结，而是一套多阶段的数据处理流水线，其设计思路颇有参考价值。
第一步是数据接入。 项目提供的 channels 插件目前主要打通了钉钉和飞书，能够将聊天消息、文档、会议纪要、待办审批、日历和通讯录等信息纳入系统。采集过程受用户授权严格控制，涉及保密群组的内容会被自动跳过。数据会按照“数据源+类型+ID”的规则进行增量去重，避免重复读取。
第二步是信息结构化。 原始信息进入系统后，会被切分为会话块（例如，以连续 3 小时无新消息为界）。随后，系统会进行向量化处理、实体与事实抽取，最终构建出一张带有时间和空间维度的个人工作知识图谱。这一步骤确保了后续分析有据可依。
第三步是核心的“蒸馏”环节。 MyContext 会从知识图谱中提炼用户的工作模式，大致生成五类结构化结论：用户角色定位、他人通常的求助类型、任务处理的标准步骤、最终交付形式，以及用户的行事规则与底线。此外，系统还能从对话中识别出多步操作流程，并将其整理成可执行的 playbook，为未来多 Agent 协作铺平道路。
最后是应用与安全。 这些档案最终会被数字分身调用，用于理解新消息、召回相关背景并生成符合用户风格的回复草稿。值得注意的是，MyContext 在架构上刻意将“内容生成”与“消息发送”分离，由独立的管控模块作为唯一决策点。这意味着，生成模块本身不具备对外发送能力，是否发送、如何发送完全由用户策略决定，从而提供了额外的安全缓冲。
当一份档案需要长期动态更新时，信息冲突在所难免。MyContext 的处理哲学是“不替用户做判断”。当新旧结论出现分歧时，系统会区分三种情况处理：若新信息是细节补充，则直接追加；若同一结论反复出现，则提高其置信度；若新旧结论相互矛盾，则同时保留两者并降低置信度，交由用户在审阅页面进行最终裁决。这种设计避免了 LLM 裁决的高成本和不确定性，让结果更可控。
安全是另一个核心考量。由于档案内容来源于真实的聊天记录，其中可能包含敏感的工作习惯和协作关系。因此，MyContext 默认将数据存储在本机 SQLite 数据库中，知识图谱也采用本地文件模式，不强制上传云端。同时，每条结论都必须附有证据（message_id），无证据的信息无法入库。用户拥有最终修改权，在代码层面，“用户确认后的结论，模型永远不能覆盖”被设为最高优先级。
此外，项目还专门考虑了 Prompt 注入攻击的风险。由于档案中的内容可能源自同事发来的消息，这些信息不能被视为可信指令。为了防止恶意文本污染档案，MyContext 会在数据入库前进行清洗，例如将换行符替换为空格以避免被识别为标题、处理 Markdown 图片链接以防止信息泄露，并替换反引号等特殊字符。
作为一个开源项目，MyContext 目前仍处于开发者预览阶段。从实际运行体验来看，它更像一套面向开发者的基础设施原型，而非拿来即用的消费级产品。项目没有提供集成安装包，需要开发者自行拉取源码构建。在测试中，数据采集功能基本正常，但知识图谱生成和个人画像提取环节对模型能力有较高要求，若主模型不支持 embedding 功能，流程会直接中断。
尽管存在不少工程上的“踩坑”痕迹，但这也恰好说明了项目的真实性。例如，playbook 的初版算法按“消息最多”原则挑选样本，效果不佳；改为按“流程密度”挑选后，性能显著提升。这些细节表明，MyContext 并非停留在概念层面，而是经过了实际场景的打磨。
MyContext 的出现，也折射出国内 AI 办公赛道的一个新方向。过去，无论是阿里的通义千问、字节的豆包，还是百度的文心一言，竞争焦点多集中在模型本身的参数规模和通用能力上。但随着大模型能力趋同，如何让 AI 深度融入具体工作流，成为差异化的关键。MyContext 所代表的“个人上下文”基础设施，正是这一趋势的体现。它试图将 AI 的竞争力从“模型层”下沉到“数据层”和“工作流层”，通过深度理解用户来构建壁垒。这与海外市场如 OpenAI 等公司探索的“记忆”功能思路相似，但 MyContext 更侧重于本地化、私有化的数据主权，并且直接与国内主流的办公协同软件（如钉钉、飞书）深度绑定，这为国内用户提供了更贴合实际场景的解决方案。
MyContext 的发布，虽然尚显稚嫩，但清晰地指向了 AI 办公的未来方向：从“帮你完成任务”转向“持续理解你的工作”。当 AI 能够记住你的工作方式、协作关系和决策习惯时，它才真正从工具进化为“数字分身”。从这个角度看，Context 正在成为连接 Agent 与真实世界工作流的关键基础设施，而千问办公的这一步，无疑是在这一领域投下的一枚重要棋子。
MyContext 是千问办公开源的第一个项目，旨在构建“个人工作上下文基础设施”。它通过自动分析用户在飞书、钉钉等工具中的聊天、文档和会议记录，生成一份持续更新的个人工作档案，帮助 AI Agent 更好地理解用户的角色、任务处理方式和协作习惯。
Obsidian 强调用户主动记录和整理知识，内容主要由用户自己撰写。而 MyContext 更强调“自动蒸馏”，它从用户日常的工作痕迹中被动提取信息，自动生成结构化的个人画像，无需用户手动维护。
当档案中出现信息冲突时，MyContext 会同时保留矛盾的结论并降低置信度，交由用户最终裁决，而不是由模型自动选择。在隐私方面，数据默认存储在本机（SQLite），不强制上云，且 AI 模型只能通过受控接口读取上下文，用户拥有数据的最终所有权和修改权。
Bingdada 是一个专注 SEO、GEO（生成式引擎优化）与 AEO（答案引擎优化）的内容平台，由资深内容编辑、SEO 技术工程师与 AI 研究专家组成的团队持续运营。我们追踪搜索引擎与生成式 AI 的最新动态，为读者提供准确、实用、可落地的方法论与行业洞察。
编辑团队：内容策划 · 技术编辑 · AI 研究组
网站：bingdada.com
© 2026 Bingdada. 保留所有权利。
SEO & GEO 技术探索者，专注于搜索引擎优化和生成式引擎优化。
用 161 个 RSS 信源和 AI Agent 搭建私人资讯筛选系统，从被动接收转为主动溯源，教你如何调教 AI 主编、生成个性化「赛博报纸」，彻底解决信息过载问题。
Databricks完成50亿美元融资，估值达1900亿美元。文章分析其产品布局、增长逻辑，并探讨数据基础设施如何成为AI Agent落地关键，以及国内厂商在该领域的进展。
旅行AI Agent实测：从“攻略内耗”到“一句话出发”。飞猪帮帮能将网红攻略直接转化为可预订行程单，用自然语言完成酒店筛选、机票预订等琐事，真正实现“甩手掌柜”的梦想。
获取最新的 SEO 与 GEO 技术资讯。
我们尊重您的隐私，随时可以取消订阅。
