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。微信公众号https://mp.weixin.qq.com/s/9BHRPviU7R3Th5A7tesKIQ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”。