Chapter01_什么是本体?从 Palantir 谈起

简介: 本文解析Palantir成功背后的“本体”方法论:将业务对象、关系、规则与行动统一建模,使数据真正驱动决策与执行。以坦帕医院为例,本体助力患者安置效率提升83%,揭示企业级AI落地的关键——不是堆砌数据,而是构建可理解、可判断、可执行的业务语义体系。(239字)

2025 年,Palantir 的收入达到 44.75 亿美元,同比增长 56%。当年商业收入的增量中,超过一半来自已有客户。作为一家商业软件加服务的公司,Palantir在商业上的巨大成功,与其独特的本体方法论息息相关。本文讲从本体的角度,理解为什么Palantir能够在商业上取得如此大的成功?

美国坦帕综合医院从 2021 年开始使用 Palantir,到 2024 年,应用已从一个场景扩展到十多个。医院披露,患者安置所需的时间减少了 83%。对医院而言,软件服务于日常资源协调,其价值也应通过资源协调效率与质量的提升来衡量。

Palantir 值得借鉴的一项核心设计,是把业务对象与操作组织在同一套模型中,让人能够依据数据作出判断,并继续处理业务。 这套模型就是它称为 Ontology 的本体。以医院为例,软件既要知道哪张床可用,也要能支持为某次入住安排床位。

对于已经积累大量数据的企业,值得追问的是,系统发现问题以后,能否帮助业务人员把问题处理下去?

如果你关心企业本体怎样利用已有数据,可以先了解 Dataphin 的数据建设与治理能力,再沿本文理解业务对象与行动的关系。

本体把业务对象、判断规则与行动组织起来

本体,是一套对企业业务世界的共同定义。 它明确客户、车辆、订单等业务对象分别代表什么,怎样描述它们,以及它们之间如何联系。在 Palantir 的体系中,本体还组织业务判断逻辑和可执行的行动,让业务人员与 AI 能够依据同一套含义理解情况、作出判断并推进工作。

可以把它理解为一本“企业操作说明书”。它说明企业里有哪些业务对象,也解释这些对象怎样联系、在什么条件下需要采取什么行动。下图用对象、关系、规则和行动四个部分展开这一比喻。

image.png

对象,是说明书里的“零件清单”。 对象代表企业需要识别和管理的业务事物,例如一辆车、一位客户或一笔订单。每个对象都有自己的身份,以及描述它的属性。车辆可以有车架号、车型和上次保养日期;订单可以有金额、下订时间和交付状态。团队由此能够明确,自己讨论的是哪个对象,以及它当前处于什么状态。

关系,是“零件”之间的“装配图”。 一位客户下了一笔订单,订单对应一辆车,车辆又有多次保养记录。把这些联系明确下来,就能沿着车辆找到相关客户和服务历史,让分散的记录形成可以核对的业务上下文。同一个人可以同时是购车人和用车人,也可能只承担其中一种角色,关系需要把这些含义区分清楚。

规则,是说明书里的“运行原理”。 假设企业约定车辆距离上次保养满12个月时需要提醒,就应明确从哪次记录开始计时、哪些车辆符合条件,以及已经预约的客户是否还需要提醒。规则把业务经验变成可重复使用的判断依据,让团队对“哪些客户需要跟进”的理解一致。这里的12个月仅用于解释规则,实际条件由业务确定。

行动,是说明书里的“操作按钮”。 行动定义可以对业务对象做什么,例如创建保养跟进任务、发送通知或登记预约。每项行动都需要明确操作对象、输入信息、执行条件和权限,并记录执行结果。“这辆车需要保养”的判断,才有可能落实为一次可追踪的客户服务。

在这个简化示例中,车辆对象提供上次保养日期,客户与车辆的关系确定联系对象,规则判断是否需要提醒,行动则完成通知或创建跟进任务。对象与关系帮助理解业务事实,规则和行动进一步把判断接到实际工作上。

先分清患者与本次入住,才能处理正确的那件事

我们现在利用患者安置的场景,理解这些定义怎样发挥作用。

一名患者可能多次入院。患者身份回答“是谁”,本次入住回答“正在处理哪一次就医”。这两个对象的含义不同,等待时间、床位安排和相关状态都应当对应到具体的一次入住。

假设工作人员要查看某位患者当前的安置情况。系统需要先找到患者,再找到本次入住,沿着入住与床位的关系查看安排。如果只按患者姓名汇总历史记录,就可能把上次入住的床位当成这次安排。即使姓名完全正确,业务含义仍然可能错位。

这就是本体首先要解决的问题。它要规定“患者”和“入住”各自代表什么,怎样辨认同一个对象,以及两者之间怎样关联。实际接入数据时,再把患者编号、入住编号和相应记录映射到这些定义。

本体中的对象还可以是医院资源。“床位”具有编号、当前状态等属性,通过“属于”关系关联到“病区”。业务人员从某次入住出发,可以查到对应患者和已安排的床位,再查到床位所在的病区。每一步都有明确的关系含义。

模型中的内容 医院模型中的例子 解决的问题
对象 患者、本次入住、床位、病区 当前讨论的是谁、哪件事或哪项资源
属性 入住时间、床位编号、床位状态 这个对象有哪些具体信息
关系 入住属于某患者,入住安排到某床位,床位属于某病区 不同对象怎样对应
业务逻辑 按业务条件判断本次入住可使用哪些床位 已有事实满足什么条件
行动 为本次入住分配床位,并记录安排结果 怎样按规定改变业务状态

本体定义“床位状态”的含义,业务数据提供某张床此刻的状态值。 当数据更新时,状态值会变化;当医院调整什么叫“可分配”时,业务定义也需要随之维护。把两者对应起来,软件才能使用数据回答业务问题。

这也说明,建设本体需要业务团队和数据团队一起参与。业务团队确认对象、关系和判断条件;数据团队核对标识、字段与更新方式。字段名称相同,不能保证含义一致;含义已经约定,也还需要可靠的数据来支持。

从空床到可分配床位,中间还有业务逻辑

床位处于空闲状态,只说明一项事实。它是否适合本次入住,还取决于患者需求、床位条件和医院规定的安排要求。

在医院废模型中,可以先找到当前等待安置的入住记录,再筛选状态可用、条件相符的床位,形成待确认的候选集合。这里的“条件相符”需要由业务人员明确,并由软件中的逻辑实现。涉及诊疗和护理的专业要求,仍由相应专业人员制定和判断。

本体将这段逻辑与它使用的对象联系起来。输入是某次入住和相关资源,输出是符合已定义条件的候选床位。使用者能够核对筛选依据,也能发现输入缺了什么。若缺少必要条件,系统应保留待确认项,不能仅凭“空闲”就认定可以安排。

逻辑还可以用于解释指标。若团队要比较患者安置耗时,就要约定从何时开始计时、何时算安排完成,并明确统计哪些入住记录。不同报表采用同一套定义,才有条件比较变化。统计结果可以提示哪一环节需要检查,后续处理仍要回到具体入住和资源。

已有数据建设中的对象、活动和指标定义,能够为这项工作提供材料。Dataphin 的业务实体指南介绍了对象、事件、快照与流程的区分,可以帮助团队梳理现有定义的适用范围。

行动把一次决定变成可以核对的业务变化

工作人员选择候选床位后,还需要正式提交安排。一次“分配床位”应当指明处理哪次入住、选择哪张床,以及提交后修改哪些关系和状态。

Palantir 用动作类型(Action type)定义一类操作允许进行的变更,以及相关处理逻辑。具体执行时,再传入本次操作的对象与参数。前面的“分配床位”可以用它理解动作类型与一次实际操作的区别。

对这项行动,需要分别核对两个条件。执行人是否有权分配床位,决定谁可以提交;提交时床位是否仍然可用,决定当前能否进行安排。能够查看床位信息,并不自动获得操作权限。几分钟前得到的候选结果,也不能代替提交时的状态检查。

安排成功后,系统应保留本次入住与床位的关联,使后续查询能看到已确认的结果。若还涉及外部医院系统,就需要按实际接口核对写入和回执。模型里的行动定义,要通过相应软件和业务流程执行,才能形成真实变化。

因此,查询与行动有不同的验收结果。查出候选床位,可以帮助工作人员作判断;确认并记录分配,才表示安排已形成。二者使用相同的业务对象,操作目标和完成证据各自明确。

不同应用可以使用共同定义,AI 也需要遵守它们

全院协调人员需要查看等待安置的整体情况,病区工作人员关注本病区的具体安排。两种界面可以不同,但“本次入住”和“床位”的含义应当一致,相关操作也需要遵循共同规则。

Palantir 的对象视图(Object Views)把一个对象的属性与关联信息组织在同一页面。下面的官方患者示例中,患者标识和就诊记录分别呈现。读者可以据此观察,对象定义怎样进入使用者实际看到的界面。

image.png

患者标识与就诊记录分别呈现,基本信息和关联记录围绕同一患者组织。

动作的处理逻辑与校验也可以供多个应用使用。若全院协调界面和病区界面都需要分配床位,共同适用的规则可以集中维护。部门之间确有差异的条件,则需要单独说明适用范围。复用成立的前提,是双方使用的业务含义和条件一致。

AI 参与工作时,同样需要这些定义。工作人员提出“找出当前等待安置、可以安排床位的患者”,系统需要将问题对应到本次入住,再按定义查找相关记录和候选资源。生成一段流畅建议,尚不能说明它找对了对象,也不能说明安排已经完成。

Palantir是一家面向政府及企业提供数据分析与AI软件的平台公司。它的一项核心理念,是让数据支持业务决定,并将决定落实为可执行的工作。

在 Palantir 的产品分工中,Foundry 支持数据管理、本体建设与应用开发,AIP 将大模型接入业务信息和工具,Apollo 支持部署与更新。三者为应用运行提供不同能力,本体把其中使用的业务含义组织起来。

image.png

业务应用与 AI 智能体(Agent)使用共同的本体定义。实线表示建设或使用关系,虚线表示部署与更新。

沿用医院模型,AI 可以协助整理候选方案,工作人员按任务设计确认,相关系统再按授权执行行动。每一步都要能回到所使用的对象、依据和结果。这样才能判断问题出在记录不完整、条件定义不清,还是操作没有完成。

从一项具体工作检验本体是否有用

对患者安置而言,本体建设是否有效,可以落到一个完整问题上。系统能否识别正确的本次入住,使用明确条件找到候选床位,再把经确认的安排记录到对应对象上?

其中任一步缺失,都会影响这项工作。对象混淆会指向错误的入住;判断条件不清会让候选结果失去依据;操作结果没有记录,后续人员就无法确认安排进展。把定义、数据与行动对应好,多个岗位才能围绕同一次入住继续协作。

企业开始建设本体,也可以先选一项需要改善的工作,确认完成它必须用到哪些对象和判断条件,再接入所需数据与操作接口。第一轮的范围由工作决定,效果也由具体过程验证。

下一篇从“这个月卖了多少辆车”出发,解释本体怎样统一客户、购车机会、订单和流程节点的理解。

如果正在考虑企业本体建设,可以带着一项具体业务问题,通过瓴羊官方联系入口咨询数据建设与 AI 应用需求。

继续阅读 02 业务对象与口径怎样统一 · 03 Dataphin 的数据模型与知识图谱

资料来源

Palantir 2025 年年度报告,年度收入、已有商业客户收入增量及公司背景。

坦帕综合医院与 Palantir 扩大合作,2024 年 6 月,合作过程、应用扩展及医院披露的患者安置指标。

空客 Skywise Core,平台数据与机队运营应用。

Palantir Ontology 概览与Ontology 系统架构,对象、关系、逻辑与行动。

平台协作关系、本体应用与动作类型,产品职责、对象应用及动作复用。

AIP 架构与架构中心概览,AI 应用能力与现场工程协作。

Palantir 对象视图与患者示例,患者对象视图原图及功能说明;中文导读为编辑注解。

系列作者:莫疑(工号264386)

相关文章
|
5天前
|
云安全 人工智能 运维
当攻击全面Agent化,你的安全防御能否跟上AI Speed?
多起客户侧AK泄露事件应急的真实观察
1241 4
|
28天前
|
人工智能 JSON API
全网刷屏的 Jev 模型正式开放!一手实战测评 + 保姆级教程
全网爆火的 Jev 模型是什么?有什么用?怎么使用?怎么接入 AI 编程工具?效果真的好么?傻子可懂的 Jev 保姆级实战教程 + 项目实战测评来啦
9782 32
|
8天前
|
存储 人工智能 安全
千问办公官网入口网页版登录:qwenwork.cn 注册送2000积分、登录送100积分
阿里云千问办公(QwenWork)是AI智能工作平台,支持一句话生成PPT、表格、网页、视频及数据分析。个人免费版送2000积分+每日登录赠100分,含1GB存储、5个发布页;企业版198元/席/月起。阿里千问办公QwenWork官网:https://t.aliyun.com/U/0VCTGt 阿里AI工作平台,一句话完成数据分析、PPT 生成、视频剪辑、网页搭建等复杂任务
|
3天前
|
人工智能 API 开发工具
DeepSeek Harness 神插件:白嫖 13 家大厂模型
`dsh-our-free-model` 是 DeepSeek Harness 神级插件:零配置、零API Key、零账号,聚合13家大厂免费模型(含DeepSeek V4.1 Flash、Kimi K3等),支持本地网关、用量看板与自动降级,真正实现“白嫖即用”。
|
14天前
|
存储 人工智能 并行计算
大模型本地部署终端选型方法论:以 Qwen3.8-27B 为例的四档分层完整流程
本文提出一套大模型本地部署终端选型方法论:定约束、定档位、定框架、定参数四步决策法,配合入门、主力、质量、无损四档分层模型。以 Qwen3.8-27B 实测数据为例,逐环节解读显存、带宽、存储、散热、系统、预算等要素,给出面向不同预算的优选方案、决策自查清单与市场观察框架。文末前瞻 AI 笔记本的 CPU+GPU 与统一内存两条路线,论证四步决策法在新品类上的延续性。
|
5天前
|
Web App开发 人工智能 JavaScript
太猛了,一个月干到15W+,给大家推荐一个最近爆火的开源逆向工具:REA
REA(Reverse Engineer Anything)是近期爆火的开源AI逆向工具,4月发布,1个月内斩获15万+ Star。它让AI Agent无需源码即可分析二进制、APK、JS/Electron、HAR包等17类目标,自动反编译、生成可运行代码,并强制返回带证据与局限的结论。全本地执行,MIT协议,支持Hopper/Ghidra/IDA等引擎,一行命令即可上手。
621 1
太猛了,一个月干到15W+,给大家推荐一个最近爆火的开源逆向工具:REA
|
12天前
|
人工智能 JSON 自然语言处理
2026 年 Jev 决策模型深度拆解:原理解读、实战测评与保姆级落地教程
有一款特殊AI模型在开发者圈子刷屏,它摒弃传统大模型擅长的对话聊天能力,专注做高速结构化决策,它就是TypeSafe AI推出的Jev模型。该模型由ChatGPT共同发明人Diogo Almeida主导研发,定位为**System One Model(系统一模型)**,对标人类大脑快速直觉判断的思维模式,在响应延迟、调用成本、结构化输出稳定性上相比传统生成式大模型有着巨大差异。本文会完整拆解Jev底层原理、三大核心原语能力、适用业务场景,同时提供可直接运行的curl、Python代码示例,并且结合多组实测数据,客观分析模型优势与能力边界,帮助普通开发者和AI应用从业者快速上手落地。
927 1
|
9天前
|
人工智能 JSON 自然语言处理
2026 年 Jev 决策模型全解析:核心原理拆解,性能实战测评与落地部署教程
有一款特殊AI模型在开发者圈子刷屏,它摒弃传统大模型擅长的对话聊天能力,专注做高速结构化决策,它就是TypeSafe AI推出的Jev模型。该模型由ChatGPT共同发明人Diogo Almeida主导研发,定位为System One Model(系统一模型),对标人类大脑快速直觉判断的思维模式,在响应延迟、调用成本、结构化输出稳定性上相比传统生成式大模型有着巨大差异。本文会完整拆解Jev底层原理、三大核心原语能力、适用业务场景,同时提供可直接运行的curl、Python代码示例,并且结合多组实测数据,客观分析模型优势与能力边界,帮助普通开发者和AI应用从业者快速上手落地。
592 0

热门文章

最新文章