企业语义层建好以后,Agent 到底怎么用
随着AI快速深入企业,大家已经形成企业需要一套统一治理企业语义层的共识。这里说的“统一”,重点在于同一个业务概念在明确的适用范围内有权威定义,并且可以被不同 Agent 共同使用。它不要求所有语义都物理存进同一套系统。
语义层建好以后,还有一个更实际的问题。Agent 到底怎样使用这些语义去完成任务?
假设采购人员给 Agent 一个任务。
找出本周交付风险最高的采购订单,对符合条件的供应商发送催办。
普通员工看到这句话,基本知道下一步该做什么。我们知道什么是采购订单,大概怎样判断“交付风险”,也知道可以根据订单找到供应商,再结合订单状态判断现在是否适合催办。
这些判断依赖企业内部的对象定义、指标口径和业务规则。通用大模型无法只靠自己的参数知识稳定获得。
Agent 接到任务以后,要读取上下文、判断业务条件、调用工具,直到完成这次任务。本文讨论的,就是这整个运行过程。
语义层也正是在这里被 Agent 真正用起来。整个过程大致可以理解成这样。
语义层主要负责前半段,把“用户怎么说”转换成“企业系统怎么理解”。权限校验和实际执行仍然留在现有系统中。
先别把企业定义都塞进提示词
随着 AI 编程越来越普及,做一个 Agent Demo 已经不难。
为了快,大部分项目最直接的办法,就是把业务定义一起写进提示词。
你是采购 Agent。延期订单定义 :当前日期 > 确认交付日期并且 已收货数量 < 订单数量高风险延期定义 :延期天数 >= 7and 未交付金额 > 100000订单状态为“未关闭”时,可以发起供应商催办。
企业只有一个 Agent 时,这种做法很合理。麻烦通常从第二个、第五个 Agent 开始出现。
经营分析 Agent 也要使用“延期采购金额”,供应商风险 Agent 也要理解 PurchaseOrder 和 Supplier 的关系。每个项目、每个 Agent 都维护自己的提示词,几个月以后,企业里很容易出现多个版本的“高风险延期”。
这和过去的数据烟囱很像。
早期的信息系统各自保存客户、订单和数据口径。系统越建越多,企业后来又通过主数据治理、数据平台、指标平台等方式,重新处理那些已经散开的数据和口径。
到了 Agent 时代,如果每做一个 Agent,就在提示词和 Workflow 里重新定义一次客户、订单、指标和规则,同样的问题会再来一遍。
这次散开的,是企业对业务的理解。
企业已经为数据烟囱付过一次成本,没有必要再制造一批语义烟囱。
有了共享语义以后,长期复用的业务定义统一维护,Agent 运行到需要的时候再获取。每个 Agent 的提示词反而可以很简单。
任务:识别本周高风险延期采购订单,并对符合规则的供应商执行催办。
提示词描述当前任务,企业语义负责提供长期有效的业务定义。
业务语义解析到底做了什么
为了方便讨论,我把“将用户语言映射到企业正式业务定义”这一步称为业务语义解析,英文可以写作 Semantic Resolution。
下面用一段伪代码说明。它只表达逻辑,不对应任何一家厂商的真实 API。
context = s…