Ontology · Knowledge Graph · Context Graph · Code Graph · Graph Engineering
五个高频词,其实分两类:前四个回答「系统知道什么」,最后一个回答「系统怎么干活」。
🟣 紫色 = 描述世界(知道什么) 🟡 琥珀色 = 描述执行(怎么干活)——记住这两块颜色,后面每个图都按这个逻辑来。
这五个词里都带「图」,但其实是两类完全不同的东西:
知道什么,决定 Agent 答得对不对;怎么干活,决定 Agent 做得稳不稳。
一个记法:前四个描述系统知道什么,Graph Engineering 负责让 Agent 使用这些知识完成任务。
打个比方,本体就是公司的「标准术语表 + 家规」:它不记张三李四,只规定——「客户」这个词怎么定义、「客户」和「订单」之间允许有什么关系、哪些规则永远成立。它是字典和语法书的合体,而且严格到机器也能读懂。
Palantir Ontology = Objects + Links + Properties + Logic + Actions + Security
对象 + 关系 + 属性 + 推理规则 + 可执行操作 + 权限安全——本体不只定义「有什么、什么关系」,还定义「谁能做什么、什么条件下能做」。注意:这里的「操作」是一条许可规则(比如「折扣超过 15% 需要 VP 审批」这条规矩本身),真正把多个操作串成一条可执行流程,是图谱工程(第 5 节)的活。
什么时候用它:多个团队/系统要统一口径(医疗里的「诊断」绝不允许有两种意思);要让机器自己推理出新知识(药 X 治 Y 病 + 患者有 Y 病 ⇒ 药 X 可能适用);领域知识稳定、精度比速度重要(金融 FIBO、医疗 FHIR)。
本体最值钱的本事是推理:不用人工写死「患者 Z 该吃什么药」,规则自己推出来。
四个词不是平级的:一个比一个装得多,本体站在「立规矩」这一级。
把本体这套「规矩」真正用起来,往里面填进一个个真实的人和事,就织成了一张「谁——什么关系——谁」的网。你可以把它想成一本长了神经的百科全书:不光查得到条目,还能顺着关系一路问下去。它是世界模型:回答「什么是普遍为真的」这类常识问题。
Knowledge Graph = Ontology Schema + Object Instances + Relationships
本体规则 + 具体实例 + 它们之间的关系——本体定义「客户」和「订单」能有什么关系,知识图谱把「张三」「订单 #8821」这些真实的人和事填进去,回答「企业有什么、它们怎么关联」。
什么时候用它:回答通用常识(巴黎在哪个国家?谁在哪家公司?);做推荐(「看过这部电影的人还喜欢…」);让大模型顺着关系网检索而不是瞎猜(GraphRAG 玩法,不挑哪张图)、多跳问答。
血统:语义网老传统(RDF / OWL / SPARQL),2012 年 Google 知识图谱让它出圈,Wikidata 是代表。
Knowledge Graph 描述实体、关系和事实;Context Graph 在此基础上加入任务、状态、事件、证据和历史决策,形成面向 Agent 决策的业务上下文地图:哪张表现在质量如何、谁负责、改一处谁会坏、谁批准过什么例外,而且跟着业务实时更新。它是给 AI Agent 准备的「可信业务上下文地图」。
Context Graph = Knowledge Graph + Task Context + Runtime State + Events + Decisions + Evidence
知识图谱 + 任务上下文 + 运行时状态 + 正在发生的事 + 决策 + 证据——不是缩小范围,而是在「有什么」的基础上叠一层「此时此刻」:现在什么状态、发生了什么事、谁批了什么、凭什么批的,让 Agent 知道当下该关注什么、该怎么决策。
什么时候用它:AI Agent 要进公司干活、需要「可信业务上下文地图」时;做影响分析(改这张表,哪些仪表盘会坏);审计合规要追溯「谁在何时、因为什么、批准了什么」。
上面这些边…
开通月度会员,继续阅读本篇剩余内容。