컨텍스트: 다양한 데이터 소스의 원활한 통합, 다양한 작업 시나리오 콘텐츠를 완성하기 위한 다중 역할 에이전트 자동화

일반 소개

Context Autopilot 是一款由 Context 公司推出的智能AI生产力工具，旨在通过深度集成和自动化办公来提升团队的工作效率。该工具利用全球首个上下文引擎 Context-1，能够从用户的数据中获取深度引用和新颖见解，提供准确的答案。Context Autopilot 支持100多种集成，能够无缝连接用户的各种数据源，帮助用户快速生成和编辑专业文档、演示文稿和数据可视化。

Context 像人类一样根据不同工作任务思考，适合自动化生成商业咨询、财务分析、数据可视化、企业报告撰写、项目演示文稿、数据分析等专业工作场景。

기능 목록

• 深度引用和新颖见解：利用 Context-1 引擎，从用户数据中提取深度引用和新颖见解。
• 데이터 통합：支持100多种数据集成，能够无缝连接用户的各种数据源。
• 文档生成和编辑：快速生成和编辑专业文档，包括合同、报告等。
• 演示文稿生成和编辑：快速生成和编辑专业演示文稿，从客户演示到内部评审。
• 데이터 시각화：使用 Python 创建数据可视化，分析大型数据集。
• 자연어 명령：通过自然语言命令构建和修改复杂的财务模型，分析数据趋势。

도움말 사용

설치 프로세스

1. 계정 등록하기：点击页面右上角的“注册”按钮，填写相关信息完成注册。
2. 소프트웨어 다운로드：注册完成后，登录账户并下载 Context Autopilot 安装包。
3. 소프트웨어 설치하기다운로드한 설치 패키지를 실행하고 지시에 따라 설치를 완료합니다.

사용 프로세스

1. 계정에 로그인：打开 Context Autopilot 软件，输入注册时的账户信息进行登录。
2. 데이터 통합：在主界面选择“数据集成”选项，按照提示连接需要集成的数据源。
3. 문서 생성：选择“文档生成”功能，输入相关信息，软件会自动生成专业文档。
4. 编辑文档：在生成的文档基础上，可以使用内置的编辑工具进行修改和完善。
5. 프레젠테이션 만들기：选择“演示文稿生成”功能，输入相关信息，软件会自动生成专业演示文稿。
6. 데이터 시각화：选择“数据可视化”功能，使用 Python 代码创建数据可视化，分析数据趋势。
7. 使用自然语言命令：在“自然语言命令”界面，输入自然语言指令，软件会自动执行相应的操作，如构建财务模型、分析数据趋势等。

기능 작동 흐름

1. 深度引用和新颖见解：在主界面选择“深度引用”功能，输入需要分析的数据，软件会自动提取深度引用和新颖见解。
2. 데이터 통합：在“数据集成”界面，选择需要集成的数据源，按照提示完成连接。
3. 文档生成和编辑：在“文档生成”界面，输入相关信息，软件会自动生成文档。生成后，可以使用内置的编辑工具进行修改和完善。
4. 演示文稿生成和编辑：在“演示文稿生成”界面，输入相关信息，软件会自动生成演示文稿。生成后，可以使用内置的编辑工具进行修改和完善。
5. 데이터 시각화：在“数据可视化”界面，输入 Python 代码，软件会自动生成数据可视化图表。
6. 자연어 명령：在“自然语言命令”界面，输入自然语言指令，软件会自动执行相应的操作，如构建财务模型、分析数据趋势等。

引入 Context Autopilot

존재Context，我们很高兴推出Autopilot — 一款像您一样学习、像您一样思考、像您一样使用工具的 AI 生产力套件。Autopilot 由世界上第一个上下文引擎提供支持，旨在与您现有的工作流程无缝集成，能够处理当今大多数信息工作。

重新思考人工智能的工具

随着大型语言模型 (LLM) 变得越来越智能，我们使用的工具也需要随之发展。传统软件是为人工输入而构建的 — — 这一传统可以追溯到 20 世纪 70 年代。这种模式正在发生变化，未来的核心是生成性。当前的解决方案通常是增量式的、不可解释的，或者需要改变工作流程，从而限制了它们的采用和实用性。

基于 LLM 的操作系统

Autopilot 通过提供基于 LLM 的操作系统来解决这些挑战，在该系统中，模型成为主要的协调器和推理器，与我们的上下文引擎协同工作。它通过提供专用工具和稀缺的情境上下文来解除模型的束缚，使它们能够解析组织并更像人类一样思考。

Autopilot 拥有自己的工作空间，直接连接到 Drive 和 Sharepoint 等服务、Slack 和 Email 等通信渠道以及客户文档、个人笔记和外部数据库。

与现有工作流程无缝集成

Autopilot 使用与您相同的工具构建项目。它可以使用完整的办公套件、浏览器和代码编辑器。Autopilot 应用程序专为其自身而设计，支持直接状态操作和复杂的多步骤工作流程。

这为人工智能提供了人类所需的必要知识，以实现有意义的理解和互动。自动驾驶仪能够积极地与用户合作，询问偏好和信息，获取反馈，并并行执行任务，同时让您专注于最重要的事情。

通过实时报告进度，它实现了持续的人机协作。面对复杂的挑战时，Autopilot 可以自我复制，组建成群的协作代理，专注于一个共同的目标。这可以高效地委派和执行任务，就像一个协调良好的团队一样。

内存堆栈：为上下文引擎提供动力

所有这些都是由 Autopilot 的内存堆栈实现的，它超越了共享工作区，以确保文件系统和输入之间的一致性。它支持持续的反射和输出迭代——这就是上下文引擎。

上下文引擎：一种新范式

上下文引擎允许模型对大量知识进行推理，并真正理解。这也是 Autopilot 能够规划、推理和执行需要数百步的任务的原因。

检索增强生成 (RAG) 从根本上受到搜索架构的限制，只能扩展到少数语义相似的数据。相比之下，Autopilot 的上下文引擎可让大量代理不断遍历您的知识库，追踪新路径，发现联系并发掘见解。通过提炼数千次交互，我们可以在庞大的上下文中提供尖端情报，而不会出现与长上下文模型相关的性能下降。

上下文是动态的，它可以随着时间的推移不断学习并纠正错误。Autopilot 不断监控传入的信息，并通过查询外部数据源自主完善自身。这可以实现深入的任务理解和技能获取——Autopilot 可以像任何员工一样接受您选择的指令集的培训。

技术评估：对上下文引擎进行基准测试

为了评估我们的上下文引擎的有效性，我们使用两个综合基准将其与其他前沿模型和 RAG 实现进行了对比：

• HELMET::如何有效彻底地评估长上下文语言模型(Yen 等人，2024)
• LOFT::长上下文前沿基准测试，引入于《长上下文语言模型能否包含检索、RAG、SQL 等？》（Lee 等人，2024 年）

传统基准的局限性

流行的“大海捞针”测试评估模型在长上下文窗口内定位特定信息的能力。然而，几乎所有模型都已经饱和，并且与实际性能几乎没有关联。HELMET 显著改进了现有的长上下文基准，并解决了其他流行基准（如 RULER）的缺点。

HELMET 基准测试结果

그림 1展示了前沿 LCLM（Llama-3.1 8B/70B、GPT-4omini、GPT-4o-08-06 和 Gemini-1.5 Flash/Pro）在 128k 个 토큰 输入长度下的长上下文基准测试结果。出现了意想不到的趋势：在 RULER 上，Llama 8B 的表现优于 Llama 70B，而 쌍둥이자리 1.5 Flash 的表现优于 Gemini 1.5 Pro。同样，在 InfiniteBench 上，Llama 8B 的表现优于 Llama 70B，而在“大海捞针”上，Gemini 1.5 Flash 的表现优于 Gemini 1.5 Pro。另一方面，HELMET 对这些前沿模型的排名更为一致。

그림 2比较了 ZeroSCROLLS、LongBench、L-Eval、RULER、∞BENCH 和 HELMET 等长上下文基准。HELMET 具有七个不同的任务类别，它们之间的相关性较低。它支持对大于 128k 个标记的上下文窗口大小进行评估；但是，官方存储库目前支持对高达 128k 个标记上下文大小的评估。这就是为什么我们使用 LOFT 来评估更长上下文大小（特别是 100 万个标记）的性能。

评估方法

我们使用以下参数进行了评估：

• 头盔：在整个基准测试的随机 15％ 子集上运行。
  • 任务类型和指标::
    • RAG：子字符串精确匹配
    • 段落重新排序：NDCG@10（标准化折扣累积增益）
    • 带引文的生成：回忆/引用
    • 长文档 QA：基于模型/ROUGE F1/准确率
    • 초록：基于模型
    • 多样本情境学习：准确性
    • 综合召回：子字符串精确匹配
• LOFT：在三个任务的随机 30％ 子集上运行。
  • 任务类型和指标::
    • RAG：子跨度精确匹配
    • 文本检索：Recall@1
    • SQL：准确性

由于官方存储库中没有可用于测试 100 万个 token 上下文大小的数据集，因此我们省略了多镜头上下文学习任务。我们还跳过了音频检索和视觉检索任务。这些评估中使用的所有模型都是撰写本文时可用的最新版本。

벤치마킹 결과

我们的评估表明，Autopilot 的上下文引擎在 HELMET 等基准测试中处于领先地位，并且比使用前沿模型的 GraphRAG 表现更好。通过对整个知识体系进行推理并真正理解，Autopilot 超越了传统 RAG 架构的限制。