火山引擎 ContextSearch 在一组76道广告业务查询测试中，把 Query Agent 的 SQL 业务正确率从36.8%提高到98.7%。我们认为，这组数据比“又有一个 Agent 产品”更值得关注：企业 AI 的短板正在从生成能力，转向能否找到并正确使用组织内部的知识。
关键变化不是让模型写出更复杂的 SQL，而是在生成查询前，先从业务文档和代码库中确认“在投”如何定义、实际花费是否扣除退款、金额并列如何处理。换句话说，模型没有被要求凭推测补全口径，而是先查证再执行。
这是什么
ContextSearch 是面向 AI Agent 的智能搜索服务。它接入业务文档和代码库，把统计口径、字段含义及取值规则整理成统一语义层，再通过 Agentic Search（让 Agent 围绕任务自主检索、补充信息并修正查询的机制）供 Query Agent 使用。
以“每天实际花费最多的在投广告计划”为例，系统会先拆解三个隐含条件：如何判断在投、如何计算实际花费、并列时如何取值；随后生成只读 SQL，核对执行结果。资料不足时，它应明确指出缺口，而不是补出一个看似合理的答案。
该案例来自火山引擎自建广告日报数据集，样本为76道问题，结果由人工核验筛选条件、统计方式和执行结果。它证明了特定场景下的改善，但尚不能直接等同于跨行业、跨数据环境的通用水平。
行业怎么看
积极信号很清楚：企业不必先让业务团队手工建设一套复杂知识库，只要声明文档和代码库来源，就能提取并持续维护部分业务知识。案例中，首道题的工具调用从19次降至4次，耗时减少85%，说明先查规则比让 Agent 反复试 SQL 更高效。
我们同时保留三点警惕。第一，98.7%的测试规模不大，且仅覆盖广告计划日报；第二，代码与文档未必一致，系统如何判断冲突、过期规则及适用版本仍未充分披露；第三，知识自动提取仍可能误读口径，若业务人员不能确认和修订，错误只是从 SQL 层转移到了知识层。
因此，ContextSearch 更适合被看作企业数据查询的基础设施候选，而不是已经完全可靠的“自动查数答案”。最终责任仍在数据、研发与业务团队对口径的共同治理。
对普通人的影响
对企业 IT：AI 项目的评估重点会从模型选型扩展到内部知识接入、权限与版本治理。已有文档和代码越完整，部署成本可能越低；知识混乱的系统则会放大错误决策。
对个人职场：运营、销售和管理者的自然语言查数需求可能更快得到响应，但这不意味着可以取消数据核对。能够定义口径、验证结果并向系统反馈，仍是更值钱的能力。
对消费市场：短期影响有限，企业内部效率提升不会立即传导为更成熟的消费级 Agent。不过，随着查数、客服和售后系统普遍接入业务知识，用户可能更少遇到“功能可用但答案不对”的体验。