本体论,这个听上去有点哲学范儿的概念,正越来越受到 Agent Builder 们的重视。
不同于上下文工程、Harness 这些 Buzzword,本体论虽然听上去不够性感,但它更加具象,落地路径更加清晰。
01本体论:从哲学定义到机器认知
Cloud Native
本体论(Ontology)一词源来自希腊语的 ontos(存在)与 logos(学说),直译就是关于存在的学说。直白讲,本体论就是给你要研究的领域,画一张统一、无歧义的认知地图。
从亚里士多德在《形而上学》里搭建的第一套存在分析框架,到如今企业 IT 系统的可观测建模。本体论跨越两千余年,从形而上学的核心分支,一步步演变为千行百业数字化转型的底层方法论。
不管是哲学里的本体论,还是人工智能领域的本体论,核心都要解决 4 个问题:这个世界里,有什么东西真实存在?这些东西,该怎么分类?这些东西之间,有什么关系、会如何相互作用?这些关系和相互作用,随着环境变量会发生什么变化?
在人工智能领域,本体论被用于对某一特定领域中的概念、实体、属性及其之间关系,进行明确的规范。例如我们之前分享过阿里云的UModel,就是在运维这一特定领域,为复杂的 IT 系统构建一个模型更易理解的认知地图。这张地图需要回答:
- 系统中有哪些实体,服务、Pod、数据库、网络、CPU、GPU、内存等。
- 每种实体有哪些属性,指标、日志、链路、事件等。
- 实体之间有什么关系,调用、部署、依赖、包含、运行等。
- 这些关系随时间会发生了哪些变化等。
本体论,其实早已存在于我们日常生活中的方方面面。
例如,当我们去医院挂号,需要先选择内科、外科或骨科等,疾病和科室的对应关系就是一套最基础的本体论。再来看一个复杂点的本体论。以医疗诊断场景为例,先定义“概念”,比如疾病、症状、药物、身体部位、人群特征;第二类是“关系”,比如“表现为”、“用于治疗”、“作用于”、“禁忌于”、“属于”;第三类是“实例”,就是把具体的医学知识把概念和关系关联起来,比如感冒是一种疾病,发烧是一种症状,布洛芬、对乙酰氨基酚是退烧药,乙酰氨基酚禁忌于肝病患者。把这些实例和关系连起来,那么对于轻度的肝病患者感冒时,表现为发烧,需要服用退烧药,就会推荐布洛芬,而非对乙酰氨基酚。
因此,本体论的核心作用是消除歧义、建立共识:所有参与方对“这是什么”、“它属于哪一类”、“它和其他东西有什么关系”有着一致的理解。
02运维领域,本体论解决了什么问题?
Cloud Native
阿里云可观测团队在长期的实践中发现,大模型时代的 AIOps 面临着两大核心难题:认知难题和数据难题。
▍认知难题:通用大模型与运维领域之间的语义鸿沟
通用大模型在预训练阶段接触了大量互联网文本,包括技术文档、博客文章、开源项目等。它确实内化了大量运维领域的通用常识,比如“502 错误通常与网关或下游服务有关”、“OOM Killed 意味着容器内存不足”、“CPU 飙高可能导致服务响应变慢”。但这些知识是统计性的、概率性的、泛化的。当面对一个具体企业的 IT 架构时,模型并不知道服务之间的调用关系、调用类型(同步或异步),也不知道结算服务在每周三凌晨会因为数据库备份任务而出现 IO 争用,更不知道某个核心微服务上周刚从虚拟机迁移到了容器集群。
通用大模型也不会为 IT 系统去建立一个系统拓扑。现代企业的 IT 架构往往是混合部署、微服务化和容器化的,组件之间的关系错综复杂。大模型如果没有一张显式的拓扑地图,很容易只见树木不见森林,模型能看到数据库延迟升高,也能看到应用层报错,但无法确定这两者之间的因果传递路径。因此,基于本体论去建立一个认知地图,才能解决通用大模型与运维领域之间的语义鸿沟。
▍数据难题:异构数据的孤岛与语义割裂
运维场景中的数据天然是多源异构的:指标(Metrics)是时序数值,日志(Logs)是非结构化文本,链路(Traces)是树状调用链,事件(Events)是离散的状态变更。这些数据存储在不同的系统中,使用不同的命名规范、不同的数据格式、不同的查询语法。运维人员需要掌握 PromQL、SQL、SPL 等多种查询语言,在多个控制台之间来回切换,手动关联和分析。
在大模型介入之后,这个问题并没有自动消失,反而以一种新的形式呈现出来:模型面对海量的、低价值密度的原始数据,它不清楚哪些指标属于哪个服务,不知道某条日志和哪个 Pod 相关,无法将一条链路追踪的 Span 与对应的容器实例自动关联。数据之间的隐式关联缺乏显式的语义定义,导致模型即使理解了单个数据点的含义,也无法理解数据点之间的业务逻辑关系。
本体论对这两大难题的解法,是从面向数据转向面向对象。在传统的可观测体系中,运维工作的出发点是“我有哪些数据”,日志、指标、链路、事件,各自独立存在。而在本体论的视角下,出发点是“我有哪些实体”,服务、Pod、数据库、网络设备、存储,以及这些对象产生的数据、对象之间的关系、对象承载的知识。数据是绑定在特定实体上的观测属性,关系是显式定义在知识图谱中的推理路径。
对于一家中型企业而言,实体数量数以千计,由实体和实体之间的关系所构建的拓扑图纷繁复杂,将这些数据结构化的呈现给模型,是提供好用的 AIOps 的前提和难点。
阿里云 UModel 提供的拓扑探索功能
UModel 正是在这样的实践背景下沉淀出来的。阿里云可观测团队于 2019 年开始可观测数据建模,历经数据标准化、实体与关联、知识表达、行动能力等发展阶段,逐步从日志、指标、链路等零散数据的采集和展示,演进到面向对象、关系和时序的统一建模。
03基础模型加个人技能,足够了吗?
Cloud Native
首先说基础模型。模型吞噬一切的世界中,我们自然会好奇:若预训练集中包含了相关的知识库,是否…