FDE 企业 AI 落地与交付 · 企业知识治理 · 2025-12-04

基于 Ontology 构建企业 Agent 根基:从理论到实践的技术路径 V2.0

企业AI落地的关键突破:从本体论出发构建可信智能体,悦点科技分享十年实战经验。

核心内容:

  1. Ontology在企业AI中的核心价值与实现路径
  2. 制造业、金融业等领域的落地案例解析
  3. 基于Ontology的智能体技术体系演进与未来展望

*主要内容包括以下几个部分:*

  1. AI 场景落地中 Ontology 的理解

  2. Ontology 关键技术实现

  3. 行业落地案例

  4. 愿景展望

分享嘉宾|孟嘉 悦点科技 CTO;赵晨 悦点科技 产品总监

内容校对|郭慧敏

出品社区|DataFun


01

AI 场景落地中 Ontology 的理解

悦点科技的核心技术团队长期深耕于企业级决策智能领域,其技术路线可以追溯到 2015 年初对 Palantir 等领先技术的对标研究。他们深刻认识到,传统的商业智能(BI)只能告诉企业“发生了什么”,而真正实现认知智能,则需要一种能够洞察“正在发生什么”以及“如何去应对”的系统方法。这种方法论的载体便是本体论(Ontology)。Ontology 并非一项独立的技术,而是一种将企业的商业资产、数据、系统能力和业务逻辑进行语义化、形成统一认知模型的系统化方法。它在 AI 架构中充当着至关重要的角色,是链接企业系统、数据资产与大型模型的最重要桥梁,也是智能体手中那张动态可更新的“企业地图”。

基于这一理念,悦点科技在 2022 年独立发展后,继续围绕 Ontology 进行技术深耕,并迅速迭代其产品体系,旨在大幅提升模型在 To B 场景中的确定性与可信性。公司的发展轨迹清晰地体现了这一聚焦:从2014年推出企业级知识图谱应用平台 SCOPA,到 2023 年发布 Spotlight 1.0 智能体平台,再到 2024 年 11 月将产品升级为 Knora-AI,提供端到端的 AI 生产力平台。直到 2025 年 2 月,悦点科技发布了创新的 Knora-AI 3.0 架构,正式提出了以 Ontology-based Agentic AI 为核心的技术体系。这一体系正是悦点科技助力企业应对数据智能分析、任务自动化、数字劳动力、业务决策预测等复杂场景的核心技术保障。

1. 企业 AI 落地的复杂挑战与根本症结

尽管大模型技术潜力巨大,但将其应用于企业复杂场景仍面临多重难以回避的挑战。首先是技术与可信瓶颈:通用大模型作为概率模型,存在固有的“幻觉问题”、记忆断层和推理精度不足等缺陷。在企业级应用中,一个任务的完成往往需要数十步的复杂推理链条,每一步的出错概率累积起来,会严重损害最终结果的准确性和可信性,这与工业级应用对确定性的要求存在根本冲突。其次,企业普遍存在数据治理与质量困境:数据资产分散在 CRM、ERP、MES 等异构系统中,形成数据孤岛,缺乏连贯的场景知识。实践表明,智能体的效果与其依赖的数据治理和质量保障程度高度相关,高质量的语义化数据资产是 Agent 成功的先决条件。

此外,系统集成与工程化挑战也不容忽视。企业级 AI 应用往往是复杂的端到端业务,需要跨越多个业务系统和流程。现有的业务流程脱节、系统兼容性不足、接口协议对接难度高,使得 AI 应用的部署和推广复杂度极高,难以与工业级生产系统顺畅集成。最后,在场景泛化方面,通用模型在缺乏行业知识指导下,难以提供深入的行业洞察,且 AI 应用的价值量化评估往往缺乏统一标准,导致难以形成清晰的业务闭环。正是基于对这些挑战的深刻认知,我们认为必须采用更高维度的建模方法论,才能将技术创新与业务深度融合,实现从“Demo”到“工业级”的跨越。

2. Ontology+LLM:实现可落地的 Agent 生产力

悦点的核心主张是:Ontology + LLM = 可落地的 Agent 生产力。在这一架构中,Ontology 被定位为连接企业能力与 AI 能力的关键桥梁,它通过对企业的商业资产环境(包括数据资产、系统能力、业务逻辑)进行全面的语义化建模,实现了对大模型推理能力的根本增强。

具体而言,Ontology 将企业内部所有资源——无论是数据、领域知识、业务指标,还是系统接口、操作逻辑,都统一承载为场景本体(Scenario Ontology)。这种语义化建模将企业的系统能力、数据、以及业务人员对业务的理解,拉平到同一个统一的语言环境中。在这个环境中,大模型(LLM)的角色被清晰地定义为推理和执行资源,它不再是无源之水,而是基于场景本体这张“动态可更新的地图”,在 Agentic AI 推理执行平台上进行精准的决策和执行。Ontology 将整个企业的“数据+AI”转化为一个以推理为内在核心的逻辑,从而解决了通用大模型在特定业务场景中的“幻觉”和不确定性问题,为企业级 AI 应用的可靠落地提供了坚实的根基。

3. Ontology 驱动的企业 Agent 架构总览

悦点科技的 Ontology 驱动 Agentic AI 架构,是一个从企业真实业务世界一路贯通到智能体应用的端到端智能生产闭环。整个体系并不是静态的分层,而是围绕“业务 → 本体 → 应用 → 业务”的动态循环不断强化。

首先,从企业真实业务环境出发。

所有业务数据、流程系统、接口、安全权限等要素,构成了企业自身的“运行世界”。这些要素并不只是资源清单,而是后续构建场景本体(Scenario Ontology)的“原材料”。系统的目标,是要让 AI 能够真正“读懂”这些复杂业务逻辑,而不是停留在对文本的理解。中间层的数据智能平台承担了关键的知识抽取与推理建模能力。

SCOPA 7.0 提供稳定的数据操作系统能力,而 AIGO 平台则通过 AI 主导或辅助的方式,将企业环境中的结构化与非结构化资产自动化编织成可推理、可计算、可扩展的场景本体模型。基于这些本体,平台进一步训练企业级推理模型,为应用层提供领域语义精准、决策链清晰的“推理大脑”。最终,Knora-AI 3.0 将本体推理能力转化为可交付的业务应用。

基于精确的语义上下文和业务规则,它能快速生成聊天式助手、业务 Copilot、甚至嵌入系统中的应用小部件,实现智能体在企业中的规模化、低成本落地。更重要的是,这些智能体并不会停留在应用层,它们持续在实际业务中产生数据、触达流程、积累使用行为,并反哺回企业环境,使得企业的本体模型与推理模型不断更新,真正形成一个 会自己进化的企业智能体系。

02

Ontology 关键技术实现

1. 基于 Ontology 的“Workflow+Agentic”双引擎架构

为了同时满足企业级应用中对确定性、稳定性(Workflow)和复杂场景灵活响应(Agentic)的需求,Knora-AI 3.0 Trusted Agent Engine创新性地采用了“Workflow+Agentic”双引擎架构。该架构的核心驱动力在于,通过LLM动态地驱动自身的感知、规划、调用与执行,而这一切…

— 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/2025120427804.html