据SiliconANGLE于2026年9月24日报道，Neo4j生成式AI现场首席技术官赫苏斯·巴拉萨在GraphSummit期间接受theCUBE采访时表示，知识图谱可以为企业AI代理提供共享上下文，让代理理解数据、业务规则和流程如何相互关联。报道称，随着企业构建越来越多代理，如果每个代理都携带自己对业务知识的版本，这种上下文将更难维护。

巴拉萨说，企业构建代理的能力已经提高，但结果差异仍然很大，差别往往在于企业知识如何呈现。他表示，必须让代理不仅能访问数据，还能理解企业的含义和知识，而这些内容并不总能被很好地捕捉或表示。巴拉萨与theCUBE Research的约翰·弗瑞尔进行了对话，讨论共享知识层如何帮助代理使用企业上下文、解释答案并在任务间复用知识。

随着企业扩大代理使用范围，它们面临一个熟悉的问题：为某个应用所做的工作未必能延续到下一个应用。巴拉萨将其与早先的报表系统作比较，那些系统曾产生相互冲突的结果。他说，企业识别单个问题后，会把代理所需知识以提示词、技能等形式构建在代理内部；但构建第二个代理时又会重复同样做法，从而重复七年前在不同平台构建报表并得到不一致结果的错误。

按照巴拉萨的说法，知识层是对组织数据资产、概念、政策和流程的受治理表示。它还可以帮助人们检查代理如何得出答案。随着代理从对话转向行动，这种可解释性正成为越来越受关注的问题。他说，知识层不仅带来一致性，还带来可解释性，可以说明数据来源以及用于生成答案的要素。

知识图谱可以把数据与代理解释数据所需的业务概念和关系连接起来。巴拉萨认为，组织可以跨多个应用逐步发展这种上下文，而不必一开始就尝试企业级模型。他建议从一个用例开始，构建第二个用例时尽量与第一个对齐，通过识别用例、实现价值再继续建设的方式增量构建知识层。他还说，大语言模型可以显著加速本体构建。

共享知识层可能需要用比单个代理结果更广的指标衡量投资回报。巴拉萨表示，组织还应评估随着构建更多代理而发生的变化。他提出，可以衡量构建第二、第三、第四个代理的过程如何逐步加快，因为知识被沉淀在知识层中。另一个指标是负向指标，即漂移成本：当两个代理返回分歧结果或以不同方式行动时，协调这些结果需要付出什么代价。

该采访是SiliconANGLE和theCUBE对GraphSummit报道的一部分。theCUBE是GraphSummit的付费媒体合作伙伴，Neo4j作为theCUBE活动报道赞助商，不对theCUBE或SiliconANGLE的内容拥有编辑控制权。