在企业 AI 项目中,本体论、知识图谱、世界模型经常被放在同一语境中讨论。三者都与“让系统理解业务世界”有关,但对应的职责并不相同。
较为稳妥的理解方式,是把它们放在 3 个层次中观察。
| 层次 | 解决的问题 | 典型产出 |
|---|---|---|
| 本体论 | 业务语言怎么定义 | 概念、属性、关系、约束 |
| 知识图谱 | 事实关系怎么连接 | 实体、关系、证据、查询 |
| 世界模型 | 状态变化怎么推演 | 预测、行动评估、反馈修正 |
这 3 层关系厘清后,企业才能判断当前项目所处阶段。
它到底是在做知识建模,还是在组织事实,或是在构建面向行动和后果的推演系统。
第一层:本体论先把“话说清楚”
本节要点:本体论解决的是概念边界和业务口径问题。它不直接收集事实,而是规定事实应该按什么语言进入系统。
在信息系统语境下,本体论通常用于定义某个领域中的概念、属性和关系。
它更接近一套建模规则,不是泛泛的哲学讨论。
例如在企业场景中,“客户”“产品”“合同”“设备”“风险事件”等词,不能只依赖不同部门的经验理解。
销售、财务、客服对同一个词的使用口径,可能存在明显差异。
本体论的作用,是给这些业务对象建立清晰边界。
客户是自然人、企业主体,还是系统账号?合同与订单是什么关系?设备故障应被记录为事件,还是状态?
企业系统通常并不缺少数据。更常见的问题是,同一类对象在不同系统中有不同名称。
一个系统使用“客户编号”,另一个系统使用“主体 ID”,第三个系统使用“会员号”。
这些字段可能都合理,但跨系统打通时需要明确映射关系。
同一个名称也可能对应不同含义。
例如“有效客户”在销售、财务、客服系统中,可能分别对应成交意向、回款状态和服务状态。
如果这些口径没有先被定义,知识图谱在构建时就可能连接一批表面相关、实际语义不一致的对象。
图谱规模越大,后续修正成本越高。
本体论可以被视为企业知识系统的语法层。
它不负责收集事实,也不直接回答业务问题。
它负责规定哪些对象可以成为实体,哪些关系可以被记录,哪些属性必须保留,哪些概念不能混用。
这一步看起来偏基础,但会影响后续所有智能能力。
业务语言不统一,知识图谱会继承这种混乱。图谱关系混乱,Agent 获取到的上下文也会变得不可靠。
第二层:知识图谱把事实连成网
本节要点:知识图谱把实体、关系和证据连接起来。它擅长回答“是什么”和“有什么关系”,但不天然负责预测后果。
进入知识图谱层后,核心问题从“概念如何定义”转向“事实如何连接”。
知识图谱可以理解为实体关系网络。
它记录客户、产品、合同、工单、设备等对象,也记录这些对象之间的关系。
例如“客户 A 购买了产品 B”“产品 B 绑定合同 C”“合同 C 关联服务工单 D”。
这些关系可以被抽象为“主语、谓语、宾语”的结构。
RDF 标准中常用三元组表达这类关系。
对于业务读者来说,重点不在标准细节,而在于知识图谱把分散事实组织成可查询的关系网络。
本体论与知识图谱的关系,可以用工程图纸和施工结果来类比。
本体论规定房间如何划分、管线如何连接、哪些结构不能混用。
知识图谱则把真实材料放到相应位置,形成可以被查询和使用的实体网络。
放到企业场景中,本体论定义“客户可以购买产品”“产品可以关联合同”“合同可以触发工单”。
知识图谱记录具体事实,例如某客户购买某产品,某合同关联某工单。
如果涉及日期、金额、状态等字段,应以企业系统记录为准。
示例表达不能替代真实业务数据。
知识图谱的强项是回答“是什么、有什么关系、证据在哪里”。
例如某客户购买过哪些产品,某风险事件影响了哪些合同,某设备故障与哪些历史工单有关。
这类问题适合通过图谱查询。
但知识图谱本身不天然回答“采取某个动作后,接下来会发生什么”。
它能组织当前事实,也能辅助关系追踪。
如果业务目标…