如果一个企业 AI 项目已经做过 RAG,大概率会遇到一个很尴尬的问题。
一开始,效果看起来不错。
员工问制度,能答。
售后团队问知识库,能答。
销售问产品资料,能答。
但只要业务方继续往前推一步,问题就变了。
他不再问“这份资料里写了什么”,而是问:
| 业务方真正想问的 | RAG 很容易卡住的地方 |
|---|---|
| 这个客户该不该升级处理 | 客户等级、合同、历史投诉、SLA、当前队列不是一段文本 |
| 这台设备是不是要提前保养 | 设备状态、遥测、工单、备件库存、经销商能力要放在一起判断 |
| 这张订单能不能改交期 | 订单、库存、产能、物流、客户优先级和审批规则互相牵连 |
| 这份合同能不能自动进入下一步 | 合同状态、风险项、授权人、例外条款和审批动作都要受控 |
这时候你会发现,RAG 能帮模型找到资料,但它没有天然告诉模型:
| RAG 不天然知道什么 | 企业 Agent 为什么需要 |
|---|---|
| 谁是客户,客户当前处于什么状态 | Agent 要按客户等级和历史行为判断 |
| 设备、工单、备件、经销商之间是什么关系 | Agent 要判断原因、责任和下一步动作 |
| 哪个动作可以自动做,哪个动作必须人工确认 | Agent 一旦写回系统,就有操作风险 |
| 这个用户能不能看到这些数据、调用这个工具 | Agent 不能绕过企业权限体系 |
| 这次判断以后,状态应该如何变化 | Agent 不是回答器,而是流程参与者 |
所以这篇文章先把一句话说清楚:
RAG 是 Agent 的资料检索层。Ontology 才是 Agent 的业务世界。
RAG 解决的是:模型应该看到哪些上下文。
Ontology 解决的是:企业里到底有哪些对象、关系、状态、动作、权限和业务逻辑。
如果没有这个业务世界,Agent 再会说话,也只能在文档片段里猜。
一、先别把 Ontology 翻译成“知识图谱”
先把这个词说清楚。
Ontology,中文常见翻译是 本体,也有人译成 本体论。
在哲学里,本体论讨论的是“世界上到底存在什么”。换句话说,它关心的不是某个句子怎么表达,而是一个世界里有哪些东西、这些东西是什么、彼此之间是什么关系。
到了 AI 和知识工程里,这个词变得更工程化。
Tom Gruber 对 ontology 有一个经典定义:它是对某个概念化的显式规格。用工程语言说,就是把一个领域里默认存在的对象、概念、关系和约束,用机器和人都能对齐的方式写清楚。
W3C 的 OWL,也就是 Web Ontology Language,做的也是类似的事:用来表示事物、事物集合,以及它们之间的关系。
所以,放到企业 Agent 里,Ontology 不应该被理解成一个玄学词。
它更像是 Agent 的 业务世界说明书。
| 词 | 在企业 Agent 里应该怎么理解 |
|---|---|
| 本体 / Ontology | 这个业务世界里有哪些对象、概念、关系、状态和约束 |
| 本体论 | 先回答“这个世界由什么构成”,再谈 Agent 如何推理和行动 |
| 知识库 | 存放文档、制度、案例和资料 |
| 知识图谱 | 用图结构表达实体和关系,常用于检索和推理 |
| 企业 Ontology | 业务对象、关系、状态、动作、权限、逻辑和审计共同组成的运行模型 |
这也是为什么最近国内外做 Agent、GraphRAG、Agent Memory、企业知识层的人,都重新开始讨论 ontology。
原因并不复杂:
| Agent 项目遇到的问题 | 为什么会把 Ontology 推到前台 |
|---|---|
| RAG 只拿到文档片段 | Agent 需要知道片段背后的对象和关系 |
| 多跳关系很难靠向量相似解决 | 需要显式的对象、关系和约束 |
| Agent 要执行动作 | 必须知道哪些状态可以变、哪些动作可调用 |
| 企业权限很复杂 | 权限不能只靠 prompt 约束 |
| 记忆和上下文会过期 | 需要记录事实来源、时间和版本 |
所以这几年你会看到很多相关方向变热:GraphRAG、Knowledge Graph、Agent Memory、Ontology-driven RAG、AI agent world model。
它们背后都在回答同一个问题:
Agent 不能只读文本,它要有一个可查询、可约束、可更新的业务世界。
这里就回到了本体论最有价值的地方。
本体论听起来像哲学课,但它对架构师真正有用的地方很朴素:
它不是先问“系统怎么实现”,而是先问“这个系统承认哪些东西存在”。
如果一个 Agent 的世界里只有文档,那它最多只能围绕文档说话。
如果一个 Agent 的世界里有客户、设备、合同、订单、工单、库存、审批、状态和动作,它才有机会进入业务流程。
哲学问题到了工程现场,会变成下面这张表:
| 本体论问题 | Agent 工程问题 |
|---|---|
| 什么东西存在 | 系统里有哪些业务对象 |
| 这些东西是什么 | 对象有哪些属性、状态和身份 |
| 它们如何彼此关联 | 客户、设备、合同、工单、库存之间是什么关系 |
| 什么变化是合法的 | 哪些状态转换允许发生 |
| 谁能改变这些东西 | 哪些用户、系统和 Agent 可以触发动作 |
| 如何知道变化发生过 | 事件、审计、trace 和版本如何记录 |
所以不要把本体论理解成“讲概念”。
放到企业 Agent 里,它关心的是一件非常现实的事:
业务世界怎样被机器看见、被模型理解、被系统约束、被人类回放。
这也是为什么国内外这条线都在升温,只是叫法不同。
国内很多时候不会直接说 Ontology,而是说 知识增强、知识图谱、企业知识库、Agent 平台、数据智能。
百度是这条路线里很典型的例子。
早在 ERNIE 3.0 的论文里,百度就把方向写成 Large-scale Knowledge Enhanced Pre-training。论文里明确说,传统大模型主要从 plain text 训练,没有显式引入 linguistic knowledge 和 world knowledge;ERNIE 3.0 则在 plain text 之外,引入 large-scale knowledge graph 做预训练。
这不是 Palantir 意义上的企业 Ontology。
但它说明百度长期在押一个判断:模型不能只吃文本,知识结构也要进入 AI 系统。
到现在的百度千帆,它的官方文档已经把平台定位成“以 Agent 为核心”的企业级服务,围绕 Agent 引擎、工具及 MCP、模型服务、企业级服务来做应用落地;Agent 引擎里也出现了自主规划、工作流、多智能体协同这些模式。再看 EICopilot 这类研究,已经把 LLM-driven agents 和大规模企业知识图谱放在一起,用自然语言查询、生成 Gremlin、探索企业关系。
这条国内路线,大致是这样走的:
| 国内常见叫法 | 背后在解决什么 |
|---|---|
| 知识增强 | 不让模型只依赖纯文本语料 |
| 知识图谱 | 把实体、关系和多跳查询显式化 |
| 企业知识库 / RAG | 让模型接入企业私有知识 |
| Agent 平台 / 工作流 | 让模型进入任务编排和工具调用 |
| 企业知识层 | 让 Agent 能围绕对象、关系、权限和动作工作 |
国外更典型的代表是 Palantir。
Palantir 的说法更直接:它把 Ontology 放在 Foundry 和 AIP 的核心位置,不只把它当成知识图谱,而是当成企业的 operational layer。
AIP 的官方文档也很明确:AIP Logic、AIP Chatbot Studio、AIP Evals 这些工具,是在 Ontology 和开发工具链之上构建 production-ready 的 AI workflows、agents 和 functions。AIP 架构文档里还把 Ontology 描述成把 data、logic、action、security 统一到企业决策表示里的系统,并且强调它要建模 operational processes 里的 nouns 和 verbs。
这个区别很关键。
| 路线 | 常见表达 | 对 Agent 的意义 |
|---|---|---|
| 百度 / 国内知识增强路线 | 知识增强、知识图谱、千帆 Agent、企业知识库 | 让模型和 Agent 不只依赖文本,而能接入领域知识、关系结构和企业应用能力 |
| Palantir / 海外操作层路线 | Ontology、AIP、operational layer | 把数据、逻辑、动作、安全、评测放在同一个业务世界里,让 Agent 在其中运行 |
| 开源框架路线 | GraphRAG、Agent Memory、Temporal Graph | 让 RAG 从相似文本检索,走向结构化关系、时间变化和来源追踪 |
这三条线不完全相同。
不能把百度的知识增强,直接等同于 Palantir 的 Ontology。
也不能把开源 GraphRAG,直接等同于企业操作层。
但它们指向同一个趋势:
企业 Agent 的竞争,不会只停在模型层,而会进入业务世界层。
很多人一听 Ontology,会马上想到知识图谱。
这个理解不算错,但放到企业 Agent 里,太窄。
如果只是把文档里的实体和关系抽出来,画成一张图,那更接近 Knowledge Graph 或 GraphRAG。它对检索有帮助,但还没有进入企业 Agent 的核心。
企业 Agent 需要的 Ontology,至少不是一张“概念关系图”。
它更像一套业务操作模型。
| 层级 | 普通知识图谱更关注 | 企业 Ontology 必须关注 |
|---|---|---|
| 对象 | 实体和关系 | 业务对象、唯一 ID、属性、生命周期 |
| 关系 | A 与 B 有什么关联 | 关系是否实时、是否有方向、是否有权限边界 |
| 状态 | 通常不是重点 | 订单、工单、设备、合同当前处于哪个状态 |
| 动作 | 很少覆盖 | 谁可以触发什么动作,动作会写回哪里 |
| 逻辑 | 可能只是文本描述 | 规则、函数、模型、工作流如何作用在对象上 |
| 安全 | 很少是图谱核心 | 用户、角色、项目、Agent 的权限如何继承和约束 |
Palantir 的官方文档里,对 Ontology 的描述很直接。
它不是把 Ontology 说成“知识图谱”,而是说它是组织的 operational layer。它把企业已经接入的平台数据、虚拟表、模型等数字资产,连接到现实世界里的对象,比如工厂、设备、产品、客户订单、金融交易。
更关键的是,Palantir 把 Ontology 拆成两类元素:
| Palantir 的拆法 | 对企业 Agent 的含义 |
|---|---|
| Semantic elements:objects、properties、links | Agent 理解业务对象、属性和关系 |
| Kinetic elements:actions、functions、dynamic security | Agent 能在权限和逻辑约束下推动动作 |
这组词很重要。
语义层只是 nouns,也就是名词:客户、订单、设备、合同、工单、库存。
但企业 Agent 真正进入生产,必须看到 verbs,也就是动词:创建工单、升级优先级、调整交期、冻结合同、提交审批、触发补货。
只有名词,没有动词,Agent 只能解释业务。
名词和动词都在受控模型里,Agent…