从“补知识”到“沉淀能力”：大模型时代的企业本体工程
昨天听了一个DataFun主办的关于本体如何在企业落地的讨论，里面有一些观点在本体建设和落地里很有参考性，所以把讨论的主要内容进行了整理，大家有兴趣可以了解一二。
大模型没有结束知识工程，而是改变了它的边界
讨论首先回应了一个核心疑问：大模型已经掌握了大量知识，传统的知识图谱和本体工程是否还有必要？
嘉宾们的基本判断是：知识工程没有消失，变化的是知识的表达方式和工作重心。过去，知识工程强调严格、结构化和符号化的表达，例如知识图谱、本体和逻辑规则。今天，只要基础模型能够理解，一个词、一句话、一个数学表达式甚至一段代码，都可以成为知识载体。
大模型确实替代了一部分知识图谱的功能，尤其是网络上已有的世界知识和学科知识。如果模型已经充分学习了这些公开内容，企业再花大量成本重复构建，价值有限，甚至可能用质量更差的外部知识干扰模型。
真正需要补足的，是大模型无法从公开语料中学到的私域知识：企业内部的工艺、数据、规则、岗位经验和业务语义。例如，飞机制造企业的核心知识本就不应公开；若通用模型已经学到，反而可能意味着泄密。所以，企业级 AI 落地的“最后一公里”，往往就是识别并补齐这些知识盲区。
企业建本体，宜从岗位和小场景自下而上推进
论坛中一个重要的方法论是：多数企业不宜一开始就由少数专家设计一个大而全的企业级本体。传统自上而下的方式不仅成本高、周期长，还带有强烈的主观性。同一个业务，不同专家的抽象方式可能不同；面对大型企业的跨部门、跨业务体系，甚至很难找到一个能把全局完整说清楚的人。
更现实的路径是自下而上：先围绕具体岗位和技能上线边界可控的智能体，给它们配置必要的 Skill、岗位知识和数据支撑；再将多个岗位智能体的概念、数据和经验对齐，汇聚为部门级本体；继续向上融合，最终形成企业级乃至行业级的知识体系。
嘉宾以维基百科为例：它不是一次性由一组专家设计完成，而是由大量参与者分布式地编辑、关联、修正和融合，逐步发展成巨大的知识体系。企业本体也更像一个“边用、边修、边建”的过程。
但自下而上不是绝对规则。在国家安全、情报、银行风控和系统性金融风险等不能承受小概率遗漏的场景中，仍可能需要战略级、自上而下的全局建设，并由一把手推动、投入更多资源。
AI FDE 的价值：先快速打样，再从 0 走向 100
企业对本体建设最直接的顾虑是成本。论坛中的实践方提出，不应只是用传统 FDE 的人工方式实施 AI，而应尽可能让 AI 接管 FDE 工作中的重复环节。它不仅能加速单项任务，还能把过去串行的调研、文档分析、本体发现、数据探查和 API 检查改造为并行流程。
具体做法是，先导入文档、历史工单、业务数据等静态和动态材料，迅速生成一个即使不完美但可以讨论的本体原型，让客户先看见“本体是什么”，再逐步校准。嘉宾介绍的一种产品将本体划分为七层：实体、事件、关系、逻辑、动作、应用和角色。
AI 降低了本体构建门槛，但前提是企业能清楚定义“什么叫好、什么叫对”。如果没有评价标准，AI 即使能大量生成概念和关系，也无法决定它们是否应进入企业本体。规模化构建还会带来 token 和时间成本。论坛以快消品新品类建模为例，指出产品说明和用户描述的数量可能很大，不能简单地把所有环节都交给最强的大模型，还需要用更小、更便宜的模型承担标准化任务。
本体与 Agent Harness 是互补关系
论坛将企业级智能体拆成两个互补的部分：本体说明“企业的真实世界如何运行”，Agent Harness 负责“智能体如何在这个世界中安全、受控地执行”。Harness 包括运行环境、安全机制、上下文与记忆管理、工具调用、任务约束和异常时的人工升级。
一位嘉宾将本体对 Agent 的支撑分为四层：
- 事实层：定义产品、设备、工序等核心业务对象。
- 逻辑层：将专家经验抽象成可靠、可检查的业务规则。
- 推理层：对复杂的长程任务进行路径规划，指导下一步执行。
- 证据与反馈层：保留正反证据、归因和执行记录，为下一次任务提供参考。
通用编码 Agent 的 Harness 可以参考，但不能原样照搬到工业环境。企业已经有数据仓库、数据库、知识库和权限体系，还有大量非公开的 know-how 和逻辑，因此需要针对业务重新整合。论坛用“马”来比喻 Harness：战马、赛马、儿童训练马和长途骑行的马，都需要不同的马具和保护。
企业级与个人级 Agent 的差别尤其明显。个人 Agent 可以在几乎没有原始数据的情况下，通过长期互动慢慢学习；企业则已经有规范、数仓、数据库、知识库和权限体系，新 Agent 必须先与现有体系打通。开源 Harness 只是起点，不会自动完成这些企业适配。
专家经验也不必全部放进知识图谱。企业可根据知识类型和后续使用方式，分别将内容放在 Markdown 形式的 Skill、本体、知识库或结构化数据库中。对需要多步查询、根据上一步结果选择下一步的长程任务，还可以抽象成动态校准的路径树或图。
本体不是一次性交付，动态更新仍是难题
企业环境、业务和数据持续变化，而智能系统往往无法及时响应，一个重要原因就是指导它的知识没有更新。真正的难点不只是“怎么改”，还包括如何感知变化、何时触发、更新哪些对象、影响哪些层级，以及如何验证新知识。
论坛提出了几种互补机制：
- 从业务结果反推知识是否失效。如果智能体没有达到预期，就检查是否有规则或知识过时。
- 由专家编写头部场景的更新规则，提供可靠的基线。
- 训练大模型或智能体去感知变化、反思和建议更新。
- 同时利用环境反馈和人的反馈，优化任务级 Skill。
这些方法并没有彻底解决问题。不同知识的更新频率不同，专家之间也可能意见相反；企业还需要决定是按单个专家的反馈立即更新，还是汇总一组反馈再调整。因此，本体更新最终会上升为更广泛的知识治理问题：企业不仅要管理人的知识，还要管理本体、知识图谱以及智能体沉淀的隐性经验。这已经不是单纯的“更新一张图”，而是人类知识与 AI 原生知识的统一治理问题。
环境反馈可以很具体：投资 Agent 最终盈利还是亏损，代码 Agent 写出的程序能否编译通过、运行多长时间，都可以作为 Skill 优化信号。人也可以观察过程，例如指出某项任务原本两步就能完成，Agent 却用了十步。但这会继续引出治理问题：是对每个专家 Agent 单独更新，还是汇总多名专家的反馈再更新公共 Skill？不同专家意见冲突时，又该由谁审核？
场景泛化的关键，不是复制私域知识，而是复用能力
本体加大模型并非适用于所有场景。它更擅长有明确依赖关系的长链条分析和推理，例如离散制造中的良率分析、故障归因和追溯，以及招股说明书等复杂专业报告的生成。对预测性维护等知识还没有被明确提炼的场景，或 AOI、多模态检测等任务，本体可能只能起辅助作用。
因此，企业应选择一个核心但边界可控的“小切口”，快速产生效果、打造标杆，再逐步扩展到第二、第三个场景。第一个场景中统一的数据、API、核心对象、语义和业务逻辑，可以为后续场景提供基础，使扩展越来越快。
但从长期看，最值得沉淀的可能不是某家企业的知识，而是构建、获取、校准、管理和应用私域知识的能力。真正的私域知识往往无法在 A 企业和 B 企业之间直接复制；能够广泛迁移的公共知识，反而很可能继续被基础模型吸收。解决方案提供方更应当把项目经验固化到工具、平台、模块和建模方法中。论坛认为，Palantir 的思路就更接近“能力沉淀”，而不是试图在客户之间复制具体知识。
后训练不会取代本体，符号知识仍有可靠性与效率价值
对于“企业是否可以通过后训练把私域知识全部放进模型”这一问题，嘉宾们倾向于认为两者互补，而非替代。后训练能提升模型的专业能力，但不适合承载所有持续变化的企业私域知识，也不能替代人和 AI 都可以看见、检查和共同操作的知识形态。
重要的是，无论前训练还是后训练，进入神经网络的知识都会变成参数化的概率生成过程。只要生成内容不能保证 100% 正确，符号知识、规则和确定性脚本就仍有价值。政府、央国企、金融等对数字、表述和责任要求极高的场景，尤其如此。
符号方法还具有效率优势。一个布尔表达式或规则的执行，比调用大模型进行生成式推理更快、更便宜，也更易验证。因此，企业不应滥用大模型，更不应“到处都用大模型”；而应把大模型用于它真正擅长的规划、非结构化理解和开放式生成，把确定性判断尽可能交给规则、脚本和可验证的逻辑。
如果企业无节制地堆叠生成式模型和智能体，将来可能需要偿还“智能体债务”：哪个结论可信，哪句话来自哪个数据源，哪个智能体应当承担责任，都会变得难以回答。本体、规则、证据链和 Harness 的价值，正是让企业 AI 从“能用”走向“可靠、可控、可追溯”。
从讨论中归纳出的企业实施路线
综合整场讨论，可以归纳出以下实施顺序。这是对嘉宾发言的结构化整理，不是他们在现场逐条发布的统一行动方案。
- 先找盲区：盘点通用模型已经能做什么，再识别真正影响业务的私域知识缺口。
- 选小切口：选择业务价值高、边界可控、可快速验证的核心场景。
- 快速打样：用现有文档、数据、工单和 API 构建原型，第一版先求可讨论，不求完美。
- 分层设计：将事实、业务逻辑、推理路径、证据反馈、安全约束和人工升级机制分开处理。
- 建立治理：为重要知识保留来源、责任人、有效期、更新触发条件和验证方式。
- 让技术分工：区分概率性任务和确定性任务；能用规则、脚本或普通程序稳定解决的，不必强行使用大模型。
- 复用能力：扩展新场景时，优先复用数据连接、建模方法、校准工具、平台模块和治理流程，不要强行复制具体的私域知识。
论坛留下的开放问题
- 如何自动、可靠地感知本体中某项知识已经过时？
- 不同知识的更新频率和审核级别应如何分类？
- 当不同专家的反馈相互冲突时，谁来决定是否更新？
- 本体、知识库、Skill、规则、Harness 和后训练之间的最佳分工如何量化？
- 如何建立能够指导模型、Agent 框架、工具和知识方案选择的平台性基础设施？
- 如何在知识持续更新的同时，保持安全、合规、可追溯和系统稳定？
结语
这场讨论的核心不是为传统知识图谱辩护，而是重新界定大模型时代的知识工程：不要重复构建模型已经掌握的公开知识，而要精准找到私域盲区；不要把本体当成一次性的大型文档，而要把它当成与岗位智能体共同生长的动态系统；不要只沉淀客户的具体知识，而要沉淀获取、校准、治理和应用知识的能力。
大模型越强，企业 AI 应用越广，市场和业务变化也越快，新的私域知识会不断产生。从这个意义上说，大模型并没有让本体工程过时，而是把它从“知识整理工程”推向了“企业智能的可靠性基础设施”。
