核心内容摘要
ysl水蜜桃：十八岁的你，值得拥有的第一支“轻熟”唇妆
尽管生成式 AI 如火如荼但一个尴尬的事实是大部分企业 Agent 项目都以失败告终 — 幻觉、跑偏、不可控。
也正因此智能体工程“学科”开始兴起。
其中基于“本体论”Ontology的企业“本体”工程正越来越被推至关键地位。
“本体论”也被认为是当前最火热的科技独角兽Palantir的核心竞争力。
我们将为大家更新一系列本体论实践 — 用尽可能简洁的方式带你体验本体论并最终构建你的第一个基于本体的 AI Agent。
本篇为
内容涵盖企业AI的困境拥有数据却依然“盲目”现有工程手段局部“止痛”很难治本缺失的一环用本体补上企业“语义层”如何构建本体理解 6 块核心“积木”
企业AI的困境拥有数据却依然“盲目”如你所知LLM 本质上是一种基于概率预测的“下一个词”生成系统它并没有真正“理解”世界。
这在通识领域问题不大 — 因为它受过大量训练可以轻松创作像模像样的文章与代码。
但到了垂直甚至封闭的企业领域由于它对企业内部业务与数据的理解非常有限就会变得“盲目”与脆弱。
从一个 Agent 场景开始让我们设想一个企业 Agent 的场景一家定制工业阀门的制造企业客户向新上线的客服 Agent 催问“订单A1024到哪一步了能否加急发货”假设给Agent 配备了查询工具(Tools可以查询到下列信息ERP/OMS销售订单status ALLOCATED原材料已锁定具备投产条件APS/MES生产工单status ALLOCATED产能/工时已分配排入计划如果暂不考虑其他上下文工程手段RAG、Skills、工作流等我们看看 Agent 可能犯的错误错误一语义谬误Agent 拉取到两个“ALLOCATED”LLM 按通用经验推理“都 ALLOCATED 了 已准备就绪 很快能发货/甚至已经在出库流程中。
”这是典型的语义理解错误同一个词在不同的企业/语境/系统下含义不同。
错误二动作错误Agent 可能会产生错误的“客服动作”。
比如直接回复客户“A1024 已准备就绪可安排加急”。
发起内部流程把需求错误地路由给仓库“加急出库”而不是“加急生产”由于系统校验机制随后可能会陷入错误与重试的循环。
这里反映出业务规则的缺失。
比如“加急交付”规则是客户必须是VIP → 才可以申请“加急”如果 成品已入库 质检放行 → 才可以承诺“加急出库/发货”如果 成品未入库 → 转为“插单排程/加急采购生产”等路径很显然AI 无法天然了解这些企业规则。
错误三难以解释与修复客户第二天追问“为什么还没发货”IT 主管回溯时会发现Agent 的依据只是两个 “ALLOCATED”就认为它等价于“可发货”更麻烦的是你很难告诉 Agent “下次看到这种情况应该如何如何”在企业应用中不可解释有时候比”做错“更头疼因为这意味着难以定责也难以修复。
总结企业 AI Agent 面临的问题我们对问题做一个系统化的
总结幻觉风险由于企业知识的垂直特征容易超出 LLM 的理解能力为填补空白它可能编造看似权威的答案。
语义不一致企业不同系统中同一概念的内涵、表述与形式不一致导致理解困难或者关联失败。
上下文理解缺失缺少关联知识与业务规则约束AI 容易跑偏。
例如不知道什么情况下可“承诺加急发货”。
逻辑推理能力不足例如 “组件缺货 → 成品延迟 → 订单违约” 这类传递链条并非 LLM 的强项。
决策难以解释AI 输出的结果或异常很难追溯原因 — 缺乏透明的业务知识结构、可追溯的逻辑、可审计的推理。
Agent 协作困难由于缺乏共享的业务知识结构很容易“鸡同鸭讲”。
这就是企业 AI Agent 的困境它们拥有足够的数据访问权与工具却缺乏足够的业务语义、规则与约束就像一个缺乏导航的驾驶员来到陌生城市 — 很容易迷失与犯错。
现有工程手段局部“止痛”很难治本当然随着技术的发展我们有了一些“看起来不错”的解决方案。
它们确实能在一定程度上缓解问题但也都有各自的边界。
让我们来分析下。
Skills技能 RAG检索增强生成给企业 Agent 增加业务知识最直觉的方法是增加知识“外挂”。
比如对于静态知识内容用 RAG 来提供动态上下文给 Agent 参考另一种给 Agent 注入新能力的方法就是当下火热的Skills技能延续
的例子我们进行“修缮”给 Agent 注入“订单加急交付”的技能 — 包含 SOP标准操作流程、状态解释、业务规则甚至脚本等。
这确实能在很大程度上避免低级错误但需要注意Skills 本质仍是“提示”而不是语义与约束。
当上下文足够复杂、对话足够长、或技能定义本身存在歧义时Agent 仍可能理解错、推理错。
规模化后容易带来“碎片化”维护问题。
应用到企业领域你会有海量 Skills每个都会有相关的业务概念及规则后期维护是一大挑战。
所以Skills 的问题可以概括为Skills/RAG 的确能教 Agent “你应该怎么做”但一是“教的太累”二是记住了不代表“不会做错”Agentic Workflow工作流Agentic Workflow 是企业场景下提高可控性的常见方法把关键步骤固定下来在局部让 LLM 发挥降低模型“自由发挥”的空间。
但这里的问题是只要存在LLM推理就仍然存在“语义谬误”的空间。
比如上面的例子如果你设计流程Step 1获取订单/工单状态系统调用 Step 2LLM 判断是否可以“加急发货” Step 3若可以 → 回复客户并创建加急工单否则 → 转人工或改走“加急排产/生产催办”在这里LLM 在 Step 2 仍然要回答当前状态是否满足“可承诺发货/可加急”的条件于是又回到了同一个根问题。
当然你也可以把部分语义和条件硬编码进流程里把关键规则判断从 LLM 手里“拿”回来伪代码IF Order.hasValidInventoryAllocation TRUE AND Order.hasPassedQualityCheck TRUE THEN urgent_allowed TRUE ELSE urgent_allowed FALSE这里的 “hasValidInventoryAllocation” 、“hasPassedQualityCheck”不是某个固定字段而是自定义的业务规则判断是否满足加急发货条件。
这样 LLM 只负责生成话术如何解释、或生成建议下一步怎么做关键决策不再让它完成。
但问题很明显尽管限制了 LLM 的发挥但它也承担过多“语义解释与规则”的责任工程复杂度会指数级的膨胀 — 你无法穷举所有业务条件比如 VIP 客户可以跨仓调拨、某条合同允许跳过部分校验、不同地区截单时间不同等。
最后变成系统是“正确可控”了但也越来越“没人敢动”。
所以Workflow的问题是它只是让任务路径更可控但要么仍然依赖 LLM 对业务的理解要么容易陷入难以维护的硬编码“规则爆炸”。
缺失的一环用本体补上企业“语义层”要缓解上述企业 AI Agent 的困境除了上面的工程手段提示、RAG、工作流等。
一种正在被推到更重要位置的思路是引入一个能够解释业务、数据与规则的中间语义层 — 本体Ontology。
本体是什么你可以先用一句话理解本体就是对现实业务世界的数字化建模“数字孪生”。
它不是把文档塞给 AI而是把企业里“什么是什么、如何关联、什么条件成立”等用结构化方式表达出来形成统一的语义视图让 Agent 有了统一的“业务知识理解”从而减少误解与幻觉。
注本体的来历与复兴本体Ontology最早来自哲学中的“存在之学”在计算机领域则在 2000 年代语义网浪潮中被标准化W3C 的 RDF/OWL 等。
语义网当年因成本高、工程化难等不足而未普及。
近几年本体在企业里重新走红很大程度源于 Palantir 等公司的实践把本体当作企业的共享“语义底座”并在此基础上构建AI应用。
用一个最小的本体来理解现在围绕前面的场景但只关注一个基础问题“一个订单什么时候才可以发货”在本体中我们不急着想到“数据库字段”而是先梳理现实世界涉及哪些概念以及它们之间的关系用文字来描述这个本体业务概念Order订单代表客户需求的业务对象InventoryAllocation库存占用为订单“确认可交付”的业务事实Shipment发货/交付动作订单进入交付流程的事件关系Order — hasAllocation — InventoryAllocation订单拥有库存占用Shipment — dependsOn — InventoryAllocation发货依赖库存占用Shipment — fulfills — Order发货履行订单约束订单拥有“库存占用” — 才可以发货这就是一个很小但完整的语义框架。
它表达了和“发货”相关的业务概念和规则这里用最简单的规则演示实际应用当然要复杂的多。
本体的价值1复杂业务推理有了这层最小语义Agent 在遇到“加急发货 A1024”时就可以结合本体与事实进行推理。
举个简单的例子语义本体规则发货 → 依赖 → 库存占用事实系统数据订单 A1024 → 拥有 → 库存占用推理结论A1024 可发货从而可进一步判断是否可加急/可承诺当然基于本体的推理可以再复杂。
比如规则变为加急发货 - 需要 - 可发货可发货 - 需要 - 库存占用库存占用 - 要求 - 数量匹配 / 状态可用加急发货 - 需要 - 质检已放行加急发货 - 需要 - VIP客户订单如果订单 A1204 同时满足必要的事实那么 Agent 就能给出结论与理由链订单 A1204 可以加急因为具备发货条件、客户为 VIP、质检已放行。
本体的价值2把“规则”从代码里解放企业里“加急发货”往往还牵涉 合规、信用、合同条款、截单时间、是否定制等。
如果这些规则散落在代码/流程/文档里系统会越来越难以维护与解释。
而本体的另一个重要意义是把业务规则当成数据放在语义层上。
比如我们需要修改规则“VIP 允许跨仓调拨的截单时间从 16:00 改为 18:00“你无需在代码里改一堆 if-else也不必反复重写 Prompt 或工作流而是更新本体的一处规则定义让所有基于语义层的流程与 Agent 行为同步生效。
更重要的是AI 行为会变得可解释、可追溯。
比如 Agent 判定不能加急发货时它可以给出更可信的解释“订单 A1024 无法加急发货因为可出库成品库存不足可用 10 / 需求 20。
加急发货必须满足‘有效库存占用’与‘质检放行’两个前置条件。
当前已为您转为加急排产。
”所以本体对 Agent 的意义可以
总结为把企业业务的“语义 规则 推理”补齐。
带来的直接收益是减少误解与幻觉统一概念与关系、支撑复杂推理与多跳查询、提升协作与治理可解释可审计能力。
如何构建本体理解 6 块核心积木既然本体如此有用那么下一个问题就是我们应该如何来构建与使用本体在准备动手进入 OWL、查询语言、推理引擎这些“标准工具”之前我们先来理解本体的几大核心概念积木—无论你用什么建模工具、语言还是推理库本体最终都绕不开这几块“积木”。
为了方便理解我们用数据库、OOP面向对象编程来做类比。
类 / 概念Class表示业务世界里稳定存在的业务对象类型。
例子Order订单、InventoryAllocation库存占用等。
类比数据库类似一张表比如订单表注意不是表里的数据OOP一个 class类注意不是某个对象实例实例 / 个体Individual表示真实世界发生的业务事实如某个具体订单、某次具体占用。
例子订单_A
订单_A102 — 拥有 — 库存占用_01类比数据库表里的某一行具体数据OOPnew Order() 创建出来的 object对象个体/事实通常来自业务系统数据。
建模时用少量示例用于验证规则生产中则在运行时把事实比如某订单动态注入再进行查询与推理关系Object Property关系用来表示概念之间的链接谁和谁有关、依赖谁。
例子hasAllocation订单 → 库存占用、fulfills发货 → 订单。
类比数据库外键FK/ 关联表表达了表与表关系OOP类定义中对其他类型对象的引用例如 Order.allocation所以本体里的关系就叫Object Property属性Data Property表示业务对象自身携带的业务特征比如数量、时间、等级、状态等。
例子requiredQty订单需求数量、customerLevel客户等级。
类比数据库表里的列字段例如订单表的“状态”列OOP类定义中的简单成员变量例如 Order.create_time约束 / 公理Axiom表示基于概念、关系及属性之上定义的规则与约束。
这是本体与传统建模拉开差距的关键 — 它把“业务规则”提升为语义层的可判定规则。
例子只有当订单拥有“库存占用”时才允许发货。
类比数据库近似于 CHECK 约束 业务层校验OOP近似于类层面的不变式Invariant/ 断言Assert。
推理Reasoning简单说就是基于业务语义概念、关系、约束等与事实实例/个体等能得出什么新的结论并能解释为什么。
例子事实订单 A1024 有一个库存占用规则库存占用 - 允许发货结论A1024 可发货类比数据库有点像视图/派生字段/规则引擎输出或业务层校验结果OOP类似在不变式约束下做推导的判定逻辑。
比如执行 canShip(order)推理本身是一种“动作”主要用在运行阶段用它产出结论与解释。
最后如何区分本体与知识图谱本体对业务的定义对象、关系、属性等很容易让人联想到知识图谱它们也都会涉及“三元组”。
但并不相同本体Ontology定义业务知识的结构框架有哪些概念、如何关联、怎么约束通常相对稳定。
知识图谱Knowledge Graph则是“事实数据的集合”它是业务知识的实例填充发生了什么、这单是什么状态通常规模更大且持续增长。
简单说本体是“语义与规则”知识图谱是“事实与数据”。
比如本体定义Order 可以 hasAllocation 一个 InventoryAllocation知识图谱Order_A1024 — hasAllocation — Alloc_01学习资源推荐如果你想更深入地学习大模型以下是一些非常有价值的学习资源这些资源将帮助你从不同角度学习大模型提升你的实践能力。
全套AGI大模型学习路线AI大模型时代的学习之旅从基础到前沿掌握人工智能的核心技能因篇幅有限仅展示部分资料需要点击文章最下方名片即可前往获取
640套AI大模型报告合集这套包含640份报告的合集涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。
无论您是科研人员、工程师还是对AI大模型感兴趣的爱好者这套报告合集都将为您提供宝贵的信息和启示因篇幅有限仅展示部分资料需要点击文章最下方名片即可前往获取
AI大模型经典PDF籍随着人工智能技术的飞速发展AI大模型已经成为了当今科技领域的一大热点。
这些大型预训练模型如GPT-
BERT、XLNet等以其强大的语言理解和生成能力正在改变我们对人工智能的认识。
那以下这些PDF籍就是非常不错的学习资源。
因篇幅有限仅展示部分资料需要点击文章最下方名片即可前往获取