瓶頸不再是模型，而是工作流程中缺失的狀態

--- title: 瓶頸不再是模型，而是工作流程中缺失的狀態 slug: the-bottleneck-is-no-longer-the-model-but-the-missing-workflow-state meta_title: 為何長時程代理需要工作流程狀態 meta_description: Zeroset 為 Nebula 籌得 520 萬美元；Nebula 是一個狀態層，讓代理能查詢企業實際上如何安排核准與交接。 category: ai tags: Zeroset,Nebula,代理記憶,工作流程狀態,Gradient Ventures,長時程代理,企業 AI,流程探勘,LongMemEval,context ---

520 萬美元的種子前輪融資並不是大數目。但附帶在 Zeroset 這筆融資上的主張，比支票本身更值得注意：阻礙企業代理的不是模型能力，而是缺乏一套狀態系統。

Akshat Kannan 在 18 歲離開史丹佛。William Zhang 在 21 歲離開德州大學。他們在 2026 年 1 月創立 Zeroset，源於一個狹窄的觀察。前沿模型已能處理電子郵件草稿和航班搜尋。但當任務需要知道特定公司如何安排核准、例外與交接時，它們就會卡住。

10 月 6 日，Gradient Ventures 與 2048 Ventures 共同領投 520 萬美元種子前輪融資，Leblon Capital 參與其中。這家公司有五個人，且目前仍僅開放封閉研究預覽。

Nebula 儲存什麼

Nebula 會連接到工作流程原本已在使用的系統：Microsoft 365、SharePoint、Outlook、Teams、GitHub 以及職場通訊軟體。它不會把每份文件視為孤立的向量。它建立一個具三層結構的階層式向量圖：語意事實、情節事件叢集與程序習慣。

它與記憶儲存庫的差異，在於代理取回的是什麼。它不會重建歷史，而是查詢工作流程的當前狀態。該公司將回傳結果描述為具型別、可查詢且帶有來源脈絡的狀態：什麼是真的、何時變成真的，以及系統為何相信它。

這些基準測試還處於早期，但很具體。在 LongMemEval 上，Nebula 的準確率比 Mem0、Supermemory 和樸素 RAG 高出 20%，中位數低於 50 毫秒，且每次查詢使用的 token 更少。在 BPI Challenge 流程探勘資料集上，它在下一活動預測方面以超過 10% 的幅度擊敗所有已記錄的基準，這比檢索更難，因為它問的是系統能否預測下一個合法步驟。

token 數量與準確率同樣重要。每次查詢使用更少 token，代表更小的上下文視窗就能承載相同資訊，進而降低代理每一輪的成本。對於為期一週的工作流程，這種差異會像錯誤一樣層層疊加。

創辦人最初的觀察，是對這個問題最精煉的陳述。前沿模型能處理電子郵件草稿和航班搜尋。但當任務需要知道特定公司如何安排核准、例外與交接時，它們就會卡住。在那種情境下，模型本身沒有任何問題。資訊只是不在提示中，也無法從公開語料庫檢索到。

整合介面才是真正的護城河

連接到 Microsoft 365、SharePoint、Outlook、Teams、GitHub 與職場通訊軟體是枯燥無趣的工作，也是最難複製的部分。競爭對手可以在一季內複製三層圖設計。但要重現那些權限感知連接器——讓狀態層與每位使用者被允許看到的內容保持一致——則需要長得多的時間，而企業買家會最先評估這一點。

權限是大多數記憶產品處理得很糟的部分。工作流程狀態層必須尊重與底層系統相同的存取邊界，因此代理為某位使用者行動時，不能揭露只有在組織另一層級才可見的事實。弄錯這一點，與其說會產生錯誤答案，不如說會引發合規事件。

這也解釋了為何該公司推出的是封閉研究預覽，而非自助式產品。狀態層的表現取決於它見過的工作流程，而每一次新的客戶整合，都會浮現沒有任何基準測試涵蓋的流程邏輯邊緣案例。

買家在採用前該問什麼

有三個問題可以區分有用的狀態層與展示品。系統是否記錄每項事實何時變成真，並且能否讓已被取代的事實失效？它能否解釋自己為何相信某件事，並一路追溯到來源事件？它是否強制執行與其讀取來源系統相同的權限？

來源脈絡要求通常是最容易被含糊帶過的一項。一個回傳事實卻不帶出處的狀態層，功能上就是快取；而自主代理中的過時快取，比完全沒有記憶更糟，因為代理會自信地據此行動。

持續性是第二層次的問題。跨越數天或數週的連續狀態正是整個價值主張，而儲存那麼多衍生自組織的知識，會引發關於保留、刪除與區域駐留的資料治理討論。

為何過時狀態會不斷疊加

該公司指出的失效模式，正是這個類別存在的原因。過時的事實或矛盾的指令不會只造成單一錯誤。它會成為下一輪的起始狀態，產生不斷疊加的重工、額外的工具呼叫與人工介入。

真正讓它昂貴的是疊加效果。單一錯誤行動還可回復。但一個錯誤假設若持續存在於二十個步驟的流程中，會汙染其後的每一步；等到有人注意到時，工作必須從較早的檢查點重做。無人看管運行數小時的代理會讓情況更糟，因為沒有人正在觀察偏離。

對話式記憶系統會擷取相似的區塊。如果被擷取的事實已是三週前，而工作流程早已向前推進，代理就會從一個已不存在的世界進行推理，而回應中沒有任何地方標示這個落差。檢索相似度與事實時效性是兩種不同的屬性，而向量儲存庫最佳化的是前者。

Nebula 的三層圖試圖讓代理有辦法區分兩者。語意事實描述什麼是真的。情節事件叢集描述發生了什麼。程序習慣描述組織通常如何做事。來源脈絡則是讓它可稽核的部分：該事實、它何時變成真，以及系統為何相信它。

這適合放在哪裡

Mem0 與 Zep 屬於相鄰的記憶基礎設施類別。Zeroset 的賭注是：長時程企業代理需要的是流程狀態，而不是對話記憶；這個區別對任何跨越數天或數週、橫跨系統邊界的事務都很重要：理賠處理、發布核准、多步驟採購。

這些流程共享一種結構。它們涉及人員與系統之間的交接、遵循不成文規則的例外，以及取決於誰有空處理的核准。這些都不存在於文件裡。它們存在於實務中，這也是為什麼一直難以呈現。

流程探勘是最接近的先前技術，而 Zeroset 以流程探勘資料集作為基準，這一點很能說明問題。該領域花了二十年從事件日誌重建工作實際上如何流動。即時做同樣的事，讓代理能在任務進行中查詢，是合理的演進。

Gradient 發表的論點也提出相同主張。消費級代理之所以成功，是因為它們在公開網頁上訓練。企業代理仍缺乏對工作如何在私人組織內部實際流動的呈現。

如果成功，會有什麼改變

兩件事。代理執行框架不再推出越來越大的上下文視窗來彌補缺失的結構，因為問題從來不是視窗大小。企業也能把自己工作流程的營運模式保留在自己的邊界內，而不是指望通用模型總有一天會推斷出來。

第二個後果更具策略意義。存在於公司邊界內的工作流程呈現，是公司擁有的資產。由通用模型推斷出來的，則是公司租用的能力。對受監管產業而言，這個差異決定代理究竟能不能部署。

有一個值得點名的競爭風險。如果大型平台供應商決定把流程狀態納入其套件，一家五人的新創公司無論狀態層多好，都會面臨通路問題。Gradient 的參與有幫助，但通路不是一輪 520 萬美元融資能解決的事。

今天的數字很小：五個人、兩項公開基準測試、一個封閉預覽。但這個主張更大，而且可以檢驗。如果企業自動化已走過能力階段，下一輪競爭將是誰真正知道工作實際上是什麼。