Palantir & The Ontology — 企业智能的基石

Part 1 / 5

Palantir 是谁？

一家从反恐战争走出来的数据公司，用了20年成为全球最具影响力的企业AI平台。

2003

成立年份

$4.48B

2025 年营收

$430B+

市值巅峰

S&P 500

2024 纳入标普

创始故事

从 PayPal 黑帮到
反恐前线

2003年，PayPal 联合创始人 Peter Thiel 与哲学博士 Alex Karp 共同创立了 Palantir。名字来自《指环王》中的"真知晶石"（Palantír）——一种能看透时空的魔法石。

早期投资来自 In-Q-Tel（CIA 旗下的风投机构），当时大多数硅谷 VC 都拒绝了这个项目。公司的第一个使命：连接 CIA 和 FBI 之间原本互相隔离的数据库，让反恐分析不再是"信息孤岛"。

产品矩阵

从国防到商业的
三条产品线

Gotham（2008）— 面向情报与国防，支撑美军、CIA、乌克兰军方的地理空间分析与目标识别。

Foundry（2016）— 面向商业与民用政府，被 NHS（英国医保）、空客、BP 等用于供应链、医疗、能源管理。

AIP（2023）— 人工智能平台，将 LLM 大模型带入企业私有网络，让 AI 代理真正理解企业业务数据。

2003

Peter Thiel、Alex Karp 等人创立 Palantir，获 In-Q-Tel 投资

2008

Gotham 平台发布，成为美国情报界的核心分析工具

2016

Foundry 商业平台发布，开始服务企业客户

2020.9

在纽交所直接上市（DPO），股票代码 PLTR

2023.4

AIP（Artificial Intelligence Platform）正式发布，Palantir 进入 AI 时代

2024

纳入标普 500 指数；美国陆军签下 10 年 100 亿美元合同

Part 2 / 5

Ontology 是什么？

它不是哲学课本里的"本体论"，而是 Palantir 最核心的技术发明——把企业的全部数据、业务逻辑和操作能力编织成一张"活的地图"，让人类和 AI 都能读懂企业。

❌ Ontology 不是

不是数据仓库 / 数据湖
不是 BI 仪表盘
不是数据目录 / 元数据管理
不是一个"语义层"的别名

✅ Ontology 是

业务实体的数字孪生（Digital Twin）
Data + Logic + Action 的统一模型
人和 AI Agent 共同操作的界面
一个活的、决策驱动的动态系统

One-Line Understanding

传统数仓给你答案，
Ontology 给你"世界"

传统数据仓库告诉你："表 t_orders 有 500 万行"。
Ontology 告诉你："客户 Acme Corp 的第 3 笔订单——包含 5 个发动机叶片，目前正在德国汉堡仓库等待质检，关联的物流单号是 DHL-88492，预计下周二到达上海"。
区别在于：Ontology 不只是"存储数据"，而是把分散在 ERP、CRM、SCM、IoT 传感器里的碎片数据，编织成业务人员能直接理解的"对象世界"。

核心概念

Palantir 官方：Ontology 是什么？

以下内容直接来自 Palantir 官方 Core Concepts 文档。Ontology 被定义为 "组织的数字孪生——位于 Foundry 数字资产（数据集和模型）之上的语义层"。

📄 来源：Palantir Docs · Ontology Core Concepts

从「数据」到「业务世界」的翻译规则

Ontology 的核心工作是把数据库里的技术概念"翻译"成业务人员能理解的世界。这张映射表是 Palantir 官方文档给出的对应关系——理解它就理解了 Ontology 的本质。

📊 数据集概念

Dataset

Row

Column

Join

🔄 Ontology 概念

Object Type

Object

Property

Link Type

CORE

🧱 Object Type

"真实世界实体或事件的模式定义"。一个 Object 是该类型的一个实例，一组 Object 构成 Object Set。

CORE

📋 Property

"实体特征的模式定义"。支持 Shared Property（跨 Object Type 复用同一属性定义），确保数据一致性。

CORE

🔗 Link Type

"两个 Object Type 之间关系的模式定义"。一个 Link 是具体两个对象之间的关系实例。

CORE

⚡ Action Type

"对对象、属性值和链接的一系列修改的模式定义"。含 Side Effect（提交时触发的副作用行为）。

CORE

🔐 Roles

Ontology 的中心权限模型。可在 Ontology 级别或单个资源级别授予，控制 Object / Link / Action 的访问。

CORE

🧠 Function

"基于代码的逻辑，接收输入参数并返回输出"。原生集成 Ontology——可接受 Object / Object Set 作为输入。

Palantir 官方框架

Data → Logic → Action

Palantir 将 Ontology 定位为三层架构的中间层——向下连接所有数据源，向上赋能所有应用和 AI 代理。

Data

🗄️ ERP 系统

👥 CRM 系统

🏭 MES 制造执行

🚚 SCM 供应链

📊 IoT 传感器

📄 PDF / Excel

🌐 外部 API

Logic

🧠 Ontology 语义模型

Action

📱 Workshop 应用

🔍 语义搜索

🗺️ 地理分析

📈 动态调度

🔗 关系图谱

🤖 AI Agent

⚙️ 自动化规则

实际例子

一个 Object Type 长什么样？

假设你是一家航空发动机制造商，我们用 Ontology 来建模业务。下面是一个具体的例子——一切概念都和你日常业务中的认知一致。

Ontology Object Graph：航空发动机制造业务模型

🏢

Customer
客户

name: "美联航"
credit_rating: "AA"
fleet_size: 856

Object Type

places

📋

Order
订单

order_no: "PO-24091"
quantity: 12
status: "生产中"

Object Type

contains

✈️

Engine
发动机

model: "GE9X"
thrust: 105000_lbs
serial: "SN-7742"

Object Type

assembled_from

⚙️

Part
零部件

part_no: "BLD-229"
type: "涡轮叶片"
material: "钛合金"

Object Type

sourced_from

🏭

Supplier
供应商

name: "精密合金株式会社"
location: "日本大阪"
risk_score: 0.23

Object Type

可用 Actions ▽

⚡ approveOrder(订单) → 触发生产排程

⚡ rerouteShipment(引擎) → 改道物流

⚡ freezeSupplier(供应商) → 冻结供应商

⚡ qualityInspect(零部件) → 发起质检

动手试试

三步搭完，Ontology 就是一个「活的数字公司」

下面用一个供应链场景演示——把散落在 ERP、IoT、Excel 里的数据"翻译"成业务世界里的对象，再给它装大脑、配按钮。

STEP 1 🧩 定义「名词」—— 把数据库表翻译成业务对象

打开 Ontology Manager，把散落在各系统里的数据"翻译"成业务世界里的对象。
翻译成人话：把 ERP 里的 supplier_table 变成大家都能理解的「供应商」卡片。

🤝

供应商 Supplier

📋 名称、地区、交付周期
⚠️ 风险评级（0~100）
🔗 关联 → 原材料

数据来源: ERP.供应商表

📦

原材料 RawMaterial

📋 名称、当前库存
📏 安全库存线
🔗 关联 → 生产线、供应商

数据来源: IoT.库存传感器

对象之间用「关联 Link」连起来

供应商 —supplies→ 原材料 —usedBy→ 生产线 —belongsTo→ 工厂

👨‍💻 看看底层配置长什么样

ObjectType Supplier {
  backingDataset: "erp_suppliers_cleaned"
  primaryKey: "supplier_id"
  properties: { name, region, lead_time_days, risk_score }
}
LinkType supplies: Supplier → RawMaterial (ONE_TO_MANY)
      

STEP 2 🧠 绑定「大脑」—— 教会系统怎么判断

给对象"安装"逻辑函数——就像给手机装 App。可以是简单的数学公式，也可以是 AI 模型。
翻译成人话：告诉系统"库存还能撑几天"怎么算、"该找谁补货"怎么推荐。

📊

库存耗尽预测

当前库存 ÷ 每天消耗量 = 还能撑几天

简单公式

🧮

订单影响评估

遍历所有订单，找出哪些会受影响、损失多少钱

业务函数

🤖

备选供应商推荐

LLM 综合历史交付、地理、价格，推荐最佳替代方案

AI / LLM

👨‍💻 看看底层配置长什么样

@Function
def predict_stockout(material: RawMaterial) → Integer:
  """还能撑几天"""
  return material.current_stock / material.avg_daily_consumption

@Function(model="demand_forecast_v3") // 也可以接 ML 或 LLM
def recommend_suppliers(material: RawMaterial) → ...
      

STEP 3 ⚡ 配置「按钮」—— 定义谁能做什么

最后一步：定义"可执行的操作"。每个 Action 就像一份合同，规定了：做什么、谁能做、什么条件下能做、做完记录什么。
翻译成人话：给遥控器装按钮——但按钮上有锁，不是谁都能按。

📝 创建紧急采购单 CreateEmergencyPO

📥 输入参数

选哪个供应商
买什么原材料
买多少 · 紧急程度

✅ 前置检查

数量必须 > 0
供应商风险分 < 80
不合格→自动拦截

👤 审批规则

金额 ≤ 5万 → 自动通过
金额 > 5万 → 供应链VP审批
越贵越需要大领导签字

🚀 执行效果

创建采购订单对象
回写到 ERP 系统
全程留审计日志

🔄调整排产自动 ✅

📧通知客户自动 ✅

♻️记录决策反馈闭环 🔄

👨‍💻 看看底层配置长什么样

ActionType CreateEmergencyPO {
  parameters: { supplier, material, quantity, urgency }
  validation: quantity > 0 AND supplier.risk_score < 80
  approval: IF amount > 50000 THEN "VP_Supply_Chain"
  effect: CREATE PurchaseOrder, writeback_to_erp()
}
      

三步搭完，Ontology 就是一个「活的数字公司」

搭完后，人和 AI Agent 看到的是同一个世界——AI 能"理解"你的公司，而不只是"读"你的数据。

Part 3 / 5

Ontology + AIP：让AI真正理解你的企业

LLM 大模型可以聊天、写代码、画图——但如果它不了解你的业务，就永远只是一个"实习生"。Ontology 给了 AI 一套完整的"企业入职手册"。

传统 RAG vs Ontology-Aware Generation — 为什么 Ontology 让 AI 更精准

AIP

Palantir 人工智能平台

AIP 于 2023 年 4 月发布，是 Palantir 对大模型时代的回应。它的核心理念是：不是让 AI 替代人类决策，而是让 AI 成为人类决策者的"超级助手"——在 Ontology 的语义框架内，安全、可控、可审计地工作。

01 🔗

接入 Ontology

AI 代理通过 Ontology SDK 读取企业的全部业务对象、关系和操作权限——不是原始 SQL 表，而是语义化的"业务世界地图"。

02 🔒

安全护栏

所有 AI 操作都在 Ontology 权限系统内执行。AI 能看到什么、能做什么，完全由企业已有的安全策略控制——"人看不到的，AI 也看不到"。

03 🤖

Agent 执行

AI Agent 根据自然语言指令，在 Ontology 中查找、推理、执行——从"帮我找出华东区库存低于安全线的所有SKU"到"自动生成补货工单并发送给对应供应商"。

关键技术

OAG：本体增强生成

你可能听说过 RAG（检索增强生成）。Palantir 把它升级成了 OAG（Ontology Augmented Generation）：RAG 检索"文本段落"，OAG 检索结构化的业务对象和实时关系，让 AI 的回答精准且可操作。

关键设计

人在回路
Human-in-the-Loop

Palantir 反复强调一个原则：AI 永远不能独立执行关键操作。在 AIP 中，每个 AI Agent 的行动都遵循"建议 → 人类审批 → 执行"的流程。

Alex Karp 在发布会上明确表示，AIP "不会让 AI 独立执行目标打击（targeting operations）"。这在军事场景中关乎生死，在企业场景中关乎合规和责任归属。

"我们不卖自动驾驶。我们卖的是副驾驶。"

Part 5 / 5

如果按 Palantir 的方法实施
——路径、时间与利弊

基于 Palantir 官方 AIP Bootcamp 流程、Apollo CI/CD 平台以及大量政府/企业部署案例总结出的典型实施路径。数据来源：Palantir 官方文档、Wikipedia、公开合同与客户案例。

Palantir 式 Ontology + AIP 实施五阶段

Palantir 的核心理念是"from zero to use case in hours or days"——这句话直接来自 Palantir 官方文档的 AIP Bootcamp 描述。以下只列出典型实施阶段，不标注周期——Palantir 未发布标准实施时间表，实际周期因组织规模、数据就绪度和业务复杂度差异极大。

①

Discovery
发现

数据源盘点、业务用例优先级排序

②

Bootcamp
实战营

5天密集协作，用真实数据跑通首个用例

③

Pilot
试点

选定部门深度试用，打磨 Ontology 模型

④

Production
上线

多部门推广，Actions 接入业务系统

⑤

Scale
规模化

全企业 Ontology 互联，AI Agent 常态化运行

🏥 案例参考：Nebraska Medicine（2024）

2024 年 1 月开始合作，通过系列 AIP Bootcamp，不到 6 周将第一个工作流推上生产，后续新增用例最快仅需 90 分钟。不到一年内落地 10+ 个 AIP 应用，覆盖患者流转、护士排班、供应链管理、保险申诉等场景。

出院休息室使用率提升 2000%，患者出院平均时间缩短 1 小时。Palantir 官方称其为"迄今为止医疗系统合作伙伴中达成企业级承诺最快的案例"。

🏭 另一参考：某医疗设备制造商（Palantir Q3 2025 财报）签约 2 周后开始探索扩展，5 个月后签署多年期扩展合同，年度合同价值增长超 8 倍。

Sources: Palantir × Nebraska Medicine 官方新闻稿, 2024.09 | Palantir Q3 2025 管理层披露

💰 成本参考（公开信息）
Forrester TEI 报告以一家 $500 亿营收、10 万名员工的全球企业为基准，三年 Foundry 平台费用（含专业服务和云成本）约为 $3000 万。同一报告中，供应链和采购领域的成本节省达 30%。Palantir 不公开标准定价，合同金额因规模差异显著——从中型企业的数百万美元到大型政府合同的数十亿美元不等。

客观评估

优点与挑战

基于已公开的部署案例（NHS、美国陆军、BP、空客等）和 Palantir 自身的披露，来自真实世界的反馈。

✅ 核心优势

⚡

极快的价值验证
AIP Bootcamp 用 5 天在客户真实数据上跑通首个 AI 用例。Palantir 官方表述为"from zero to use case in hours or days"。对比传统 6–18 个月的数仓项目，这是根本性的速度差异。

🏗️

Ontology 一次建模，持续复用
一旦将核心业务对象及其关系建模进 Ontology，所有后续应用和 AI Agent 共享同一语义基础。美国陆军将 75 份分散合同整合到一个平台上（2025 年，价值 $10B / 10 年），正是看中了这种整合效应。

🔐

安全与权限从数据层贯穿到 AI 层
权限在 Ontology 层定义，AI 层强制执行——"人看不到的数据，AI 也看不到"。所有操作可追溯、可审计。这是军事、医疗、金融等强监管行业选择 Palantir 的核心原因之一。

⚠️ 挑战与风险

💰

成本极高，仅适合政府与超大型企业
NHS England：7 年 £330M（约 $420M）。美国陆军：10 年 $10B。FDA：$44.4M。Palantir 自身直到 2023 年才首次实现 GAAP 盈利——定价模型决定了它并非面向中小企业。

🔒

供应商锁定风险
Ontology 是 Palantir 专有技术。企业的核心业务逻辑、数据映射和操作流程一旦深度依赖 Ontology，迁移成本极高。虽提供 API 导出能力，但 Ontology 本身不是开源标准——与 Databricks、Snowflake 等相对开放的平台形成对比。

🌐

隐私与伦理争议持续
Palantir 因 ICE（移民执法）、以色列国防军合作、NHS 数据隐私等事件面临公众和监管质疑。2023 年 NHS 合同中 70%+ 内容最初被涂黑。选择 Palantir 意味着需准备好应对来自员工、客户和监管机构的质询。

权威案例数据

已公开的部署规模与合同金额

以下数据来自公开合同记录、Wikipedia、Palantir 官方新闻稿和主流媒体报道——帮助你建立对 Palantir 实施规模和投入的直观感知。

客户	合同 / 项目	规模	关键成果	数据来源
美国陆军	Enterprise Service Agreement	$10B / 10年	整合 75 份分散合同到一个平台；TITAN 移动指挥车 AI 战场情报	Palantir 2025 年 7 月公告
NHS England	Federated Data Platform	£330M / 7年	连接全英患者数据；支撑 COVID-19 疫苗和 PPE 分发（此前 £23.5M 紧急合同）	NHS 2023 年 11 月公告
美国海军	软件合同	~$1B	海军作战系统数据集成与分析	2024 年 11 月公开合同
美国国防部	累计合同（截至 2025.5）	$795M	Project Maven（2019 年从 Google 接管）、多域情报整合	Bloomberg / Wikipedia
FDA	数据平台合同	$44.4M	药品审批流程数据整合与加速	2020 年 12 月公开合同
乌克兰军方	Gotham + Skykit	未公开	缩短"杀伤链"；提升火炮精度和速度；Skykit 便携情报箱前线部署	《泰晤士报》2022.12；Karp 公开访谈

务实考量

如果你无法支付 $40M 的合同

目前没有公开案例证明存在 Palantir 的"开源等价物"。Ontology 作为产品与其配套的 Apollo CI/CD、Workshop、AIP Agent 框架深度耦合，尚未被任何第三方以零散工具成功复现。

可参考的务实策略：

① 借鉴理念而非复制产品——在你的现有数据栈之上，用业务对象而不是表来描述数据；为每个关键业务域定义 Object Type、Property 和 Link；把 AI Agent 的权限边界与数据权限统一管理。

② 从一个域做起——选一个 ROI 最高的场景（供应链中断响应、客户流失预警、设备预测性维护），3 个月内建成该域的语义模型 + AI Agent，验证"Ontology 驱动 AI"的理念在你的业务中是否成立。

③ 如果预算允许，直接走 Palantir AIP Bootcamp——Palantir 提供 AIP Developer Tier 试用（palantir.com 注册），以及面向潜在客户的 5 天 Bootcamp。这是以最小成本验证 Palantir 模式是否适合你的企业的最直接路径。

Palantir 的方法论核心不在于"用了什么数据库"，而在于把数据变成业务对象、把业务对象变成 AI 可理解的知识、把知识变成可执行的动作。这条路不便宜、不快、也不容易——但对于真正需要"企业级 AI"的组织而言，它可能是唯一在架构层面解决了安全、治理和语义理解三重挑战的方案。

Palantir &
The Ontology

Palantir 是谁？

从 PayPal 黑帮到
反恐前线

从国防到商业的
三条产品线

Ontology 是什么？

❌ Ontology 不是

✅ Ontology 是

传统数仓给你答案，
Ontology 给你"世界"

Palantir 官方：Ontology 是什么？

从「数据」到「业务世界」的翻译规则

Data → Logic → Action

一个 Object Type 长什么样？

三步搭完，Ontology 就是一个「活的数字公司」

三步搭完，Ontology 就是一个「活的数字公司」

Ontology + AIP：让AI真正理解你的企业

传统 RAG vs Ontology-Aware Generation — 为什么 Ontology 让 AI 更精准

Palantir 人工智能平台

OAG：本体增强生成

人在回路
Human-in-the-Loop

企业 Agentic Workflow 实战

🤖 AIP Agent 处理供应中断 — 五步闭环

如果按 Palantir 的方法实施
——路径、时间与利弊

Palantir 式 Ontology + AIP 实施五阶段

🏥 案例参考：Nebraska Medicine（2024）

优点与挑战

已公开的部署规模与合同金额

如果你无法支付 $40M 的合同

三个关键认知

Palantir 的护城河不是 AI 模型，而是 Ontology

Ontology = 企业的「操作系统」

先梳理业务实体和决策流程，再引入 AI

Palantir &The Ontology

Palantir 是谁？

从 PayPal 黑帮到反恐前线

从国防到商业的三条产品线

Ontology 是什么？

❌ Ontology 不是

✅ Ontology 是

传统数仓给你答案，Ontology 给你"世界"

Palantir 官方：Ontology 是什么？

从「数据」到「业务世界」的翻译规则

Data → Logic → Action

一个 Object Type 长什么样？

三步搭完，Ontology 就是一个「活的数字公司」

三步搭完，Ontology 就是一个「活的数字公司」

Ontology + AIP：让AI真正理解你的企业

传统 RAG vs Ontology-Aware Generation — 为什么 Ontology 让 AI 更精准

Palantir 人工智能平台

OAG：本体增强生成

人在回路Human-in-the-Loop

企业 Agentic Workflow 实战

🤖 AIP Agent 处理供应中断 — 五步闭环

如果按 Palantir 的方法实施——路径、时间与利弊

Palantir 式 Ontology + AIP 实施五阶段

🏥 案例参考：Nebraska Medicine（2024）

优点与挑战

已公开的部署规模与合同金额

如果你无法支付 $40M 的合同

三个关键认知

Palantir 的护城河不是 AI 模型，而是 Ontology

Ontology = 企业的「操作系统」

先梳理业务实体和决策流程，再引入 AI

Palantir &
The Ontology

从 PayPal 黑帮到
反恐前线

从国防到商业的
三条产品线

传统数仓给你答案，
Ontology 给你"世界"

人在回路
Human-in-the-Loop

如果按 Palantir 的方法实施
——路径、时间与利弊