一、一个让工程师头疼的问题大模型接入企业系统之后,有一类问题最难解决:模型给的答案,外行读起来头头是道,内行读起来胡说八道。
举个例子。你让 AI 帮你决策"明天哪批原材料可以优先入库",它给出了一份排序合理、逻辑自洽的清单。但你的库管主管一眼就看出问题:清单里第一位的供应商,合同上有一条"季度末不接收入库"的条款,今天恰好是季度末倒数第二天。
模型没有撒谎。它只是不知道那条合同条款的存在。
这类错误,工程师通常把它归结为"幻觉"。但准确地说,这不是幻觉,是因为大模型不懂业务规则。模型的问题不在于它在概率上算错了,而在于它根本没有接触过那条约束它行为的"业务规则"。
解决这个问题,需要的不是更大的模型,而是一个不同的架构层——业务本体层。
二、数据中台做了什么,没做什么
过去十年,国内企业数字化最流行的架构选择是数据中台。它解决了一个真实且重要的问题:把散落在各业务系统里的数据统一起来,建立一致的指标口径,给报表、分析和决策提供可信的数据来源。
这件事做成了。大多数完成数字化建设的企业,今天都有一张能出实时报表的数据大屏。
但数据中台有一个根本性的设计边界:它只管数据的流动,不管业务的逻辑。
它能告诉你"这个供应商今年交货了 1200 次",但不知道这个供应商的合同当前是否处于合规状态;它能告诉你"库存余量是 8000 件",但不知道这 8000 件里哪些已经被预占、预占的优先级是什么、谁有权调整。
把这张数据表直接喂给大模型,模型拿到的是一堆精确的数字,但没有数字背后的运转规则。它能做出看起来合理的推断,但无法保证推断在你的业务现实里成立。
这就是 Palantir Foundry 出现的背景。
三、Foundry 不是更好的数据中台
很多人第一次看 Foundry 的产品介绍,会以为它是一个功能更强的数据平台。这个理解是错误的。
Foundry 的核心不是数据处理能力,而是在数据层之上引入了一个新的层次:Ontology(本体层)。这一层的职责是把数据从"记录事实"升级为"描述规则"——不只存储对象,还存储对象之间的关系、允许的操作、前置约束和连锁反应。
两者的本质区别如下:
详细来说:
| 维度 | 传统数据中台 | Palantir Foundry |
|---|---|---|
| 设计目标 | 数据的存储、加工与查询 | 业务决策的建模与执行 |
| 核心单元 | 表、列、行、指标 | Object(对象)、Link(关系)、Action(操作) |
| 业务逻辑的位置 | 散落在各种应用代码里 | 集中在 Ontology 层,可查询、可治理 |
| AI 接入方式 | 直接读表,只读 | 通过 Ontology 接口,可读可写 |
| 写回能力 | 依赖人工或 ETL 流程 | Action 触发原生写回,支持事务 |
| 权限粒度 | 表级 / 行级 | 属性级 + 操作级(精确到每个 Action) |
| 对 AI 的约束 | 无约束,模型可以自由发挥 | Action 前置条件拦截非法操作,后置规则确保操作合理 |
这张表里最关键的一行是"对 AI 的约束"。传统数据中台的设计假设是:AI 只负责分析,人负责决策和执行。但 Agentic AI 的出现打破了这个假设——AI 开始执行操作,而不只是给出建议。如果 AI 能直接写入系统,而系统没有业务规则层来约束它,出问题只是时间问题。
四、本体层在 IT 架构中的位置
理解了 Foundry 的定位之后,再来看它在整体 IT 架构里…