FDE 企业 AI 落地与交付 · 企业知识治理 · 2026-08-14

动态本体的第二次迭代:从“能研判”到“会成长”

从“能研判”到“会成长”,动态本体迭代聚焦轨迹预测进化、函数自生长与经验沉淀,实现智能体系统能力跃升。

核心内容:

  1. 空中目标轨迹预测模型重构(粒子Monte Carlo+多因素融合)
  2. 动态本体函数拆分为可进化的OpenClaw Skills
  3. 智能体系统经验沉淀与可视化优化(轨迹、函数、系统三维成长)

昨天那版东海防空识别区空情研判 MVP,解决的是第一个问题:让OpenClaw 不再直接面对一堆表、报文和地图图层,而是先进入一个动态本体空间。态势数据、航侦报文、技侦报文、开源地理和历史案例,先被映射成 AirTarget、TrackPoint、IntelReport、AirspaceZone、SimilarTrackCase这些对象;对象之间再通过 Link 连接;OpenClaw 通过 MCP 调用本体函数,完成威胁评估、证据链解释和 Cesium 可视化输出。今天这次迭代,重点不再是“有没有本体”,而是继续往前走一步:本体里的计算能力怎么变得更准?函数怎么随着使用不断进化?智能体系统怎么沉淀经验,而不是每次从零开始?我们做了四件事。第一,重写了空中目标轨迹预测和进入 ADIZ 概率模型。原来更接近启发式规则,现在改成 ENU 坐标下的粒子 Monte Carlo 预测,再把运动学命中概率、情报置信度、历史相似航迹、目标语义和保障 Link 先验做融合。第二,把动态本体中的“函数”拆成了 OpenClaw 可以渐进式加载的 Skills。本体仍然定义函数签名、输入对象、输出对象和治理策略,但具体实现放进 Skill 目录:SKILL.md、scripts/、references/。这样函数不再只是固定脚本,而是可以随着项目使用继续沉淀。第三,明确了智能体成长的三条线:OpenClaw 记忆系统成长,Skills经验成长,动态本体模型自身成长。三者不是一回事,也不能混在一起。第四,重新组织了“本体情况”工具栏的可视化。现在它更接近 Palantir 动态本体的分层表达:数据层、语义层、动能层、动态层、应用层。看图时,业务专家能更快理解系统里每个要素处在什么位置。 PART 01

轨迹预测:先把经纬度问题变成局部坐标问题

空中目标进入防空识别区的概率,不能直接用经纬度差值粗算。经纬度是球面坐标,纬度和经度的距离尺度并不一样,尤其在东海这种区域范围内,直接用 Δlon和 Δlat做速度、转向和外推,会把几何误差带进概率模型。所以我们先把目标轨迹点从经纬度转换到局部 ENU 坐标。这里的ENU 是 East-North-Up,本项目当前只用水平面的East 和 North 两个分量。

对最近 6 到 12 个航迹点,按 5 秒采样间隔估计运动状态:

PART 02

Monte Carlo:用粒子统计“是否命中 ADIZ 多边形”

东海 ADIZ 在本体里是 AirspaceZone对象,其边界来自六个坐标点构成的多边形。我们把 ADIZ 多边形也转换到 ENU 坐标:

这一步很重要。比如 TGT-017 已经在东海 ADIZ 里,那么它“未来进入 ADIZ 的概率”不能再是 60%、80% 或 95%,而应该是 100%。这是业务事实优先于预测模型。如果目标尚未进入 ADIZ,则做 20 分钟预测。每条粒子轨迹按 5 秒一步前推,当前实现采样 4000 条粒子。每条粒子会在 CV、CT、Singer 三类模型之间采样:

统一的位置推进公式是:

PART 03

平台参数:不同飞机不能按同一种机动假设外推

RC-135、F-16、F-22、E-3、KC-135 不应该共用一套运动噪声。大型 ISR 平台和战斗机的速度、转弯率、机动扰动差别很大。我们在 Skill 的references/platform_params.md里放了一张平台参数表,当前作为 MVP 假设。| 平台 | 速度扰动 | 航向扰动 | 最大转弯率参考 | | --- | --- | --- | --- | | RC-135V/W | 35 km/h | 4° | 1.2°/s | | F-16CM | 70 km/h | 9° | 4.5°/s | | F-22A | 80 km/h | 10° | 5.0°/s | | E-3G | 30 km/h | 3° | 1.0°/s | | KC-135R | 25 km/h | 3° | 0.8°/s | | P-8A | 40 km/h | 5° | 1.8°/s | | MQ-4C | 20 km/h | 2° | 0.7°/s | | C-130J | 25 km/h | 3° | 1.0°/s |

这张表不是权威性能表,而是工程上的先验参数。它的意义在于:模型知道一个 F-16 可能做出更激烈的航向变化,而 RC-135、E-3、KC-135 这类平台更可能保持稳定航路。后续如果实测数据积累更多,这张表可以被持续校正。 PART 04

证据融合:概率不是单纯运动学

仅靠运动学会漏掉很多业务语义。一个目标向 ADIZ 靠近,可能是训练、巡逻、误入,也可能是有组织的抵近试探。如果它有航侦报文支撑、有技侦监听支撑、有历史相似案例,并且与加油机、预警机、护航机存在保障关系,那么它进入 ADIZ 或在边界附近持续行动的先验就不一样。

Shistory是历史相似案例中的最高相似度。比如当前航迹与历史boundaryparallelisr或 fighterpatrolnearboundary模式接近,就会给模型提供历史先验。Sevent是当前运动事件得分,比如 boundaryapproach、boundaryparallelpattern、nonapproachorlowattention。Prior_threat来自当前威胁等级:| 威胁等级 | | | --- | --- | | high | +0.18 | | medium | +0.10 | | low | -0.08 |

Prior_country来自国别语义:| 国别语义 | | | --- | --- | | red | +0.08 | | unknown | +0.10 | | neutral | -0.12 | | blue | -0.18 |

Priorsupportlink来自本体Link,而不是简单加分:| 支援 Link 类型 | | | --- | --- | | support_enabler | +0.16 | | escort_or_counterair | +0.12 | | isr_collection_chain | +0.10 | | none | 0.00 |

这里特别强调一点:保障关系不是“看到 KC-135 就直接加 10%”。它是本体 Link 形成的任务持续性先验,在 logit 空间参与融合。这比简单 bonus 更稳定,也更容易解释。

PART 05

为什么把本体函数改成 Skills

昨天的模型里,本体函数还是本体 runtime 里的固定函数。今天我们改了一个关键设计:本体中仍然声明函数,但具体函数实现绑定到 OpenClaw Skill。也就是说,本体里现在是这样一种关系:Ontology Function Declarationassess_threat@0.1.0predictadizentry_probability@0.2.0Skill Bindingassess-threatadiz-entry-probabilityfunctions.json里增加了 skillBinding:

{"name": "predict_adiz_entry_probability","version": "0.2.0","input": ["AirTarget", "TrackPoint", "IntelReport", "SimilarTrackCase", "SupportRelationship", "AirspaceZone"],"output": ["AdizEntryProbability"],"riskLevel": "medium","skillBinding": {"skill": "adiz-entry-probability","version": "0.2.0","entrypoint": "skills…
— 以上为试看内容(约 40%),开通会员后阅读全文 —

原文出处:https://www.53ai.com/news/knowledgegraph/2026081473540.html