本体驱动知识资产持续进化，构筑企业全域运营决策智能

01

Ontology 有了，复杂场景为什么还是难落地

Knora 的三次产品发布对应着一条连续演进路径。2025 年 11 月，重点是一体化 Ontology，把语义图谱、行为、逻辑与 Agent 推理结合起来；2026 年 3 月，Knora 4.0 通过制造业场景跑通端到端业务链路；到了 4.2，重点转向 AI-FDE——不是再证明本体能不能工作，而是解决复杂场景如何更快、更规模化地交付。

过去一年，Ontology 成为企业 AI 的热门概念，但“建立业务世界模型”并不等于复杂场景已经完成落地。真实项目还要经历数据与场景梳理、业务语义定义、可执行能力建设和运行闭环。数据、文档、规则、专家经验、权限和责任边界都不会因为有了本体平台自动出现。

FDE 承担的正是中间这段工作：把模糊问题、专家经验、数据与文档，翻译成可验证、可运行、可治理的系统。一端是真实业务世界，另一端是统一 Ontology、Action / Logic / Skills、Agent、自动化和治理能力。FDE 既要定义问题和语义边界，也要完成本体与能力建设，还要处理权限、例外、反馈和最终验收。复杂度没有消失，而是被理解、吸收并工程化。

02

Knora 4.2：把 FDE 的工程工作交给 AI 协同完成

AI-FDE 并不是“懂 AI 的 FDE"，而是把 FDE 原本需要完成的大量工程任务做成平台能力。Knora 多年的基础能力包括 Ontology 一体化、Action / Logic、Onto-Skills、Knora Claw，以及平台执行与治理。4.2 在这些基础上继续向交付过程延伸。

整条闭环被组织为五步：升级版本体自动构建、文本自动抽取、Skills 自动构建、Knora Claw × Onto-Skills Agent，以及 Automation Trigger。前面的业务反馈还会重新进入 Ontology 与 Agent，推动下一轮迭代。Human Review、权限、治理和关键验收始终贯穿其中。

直播演示选取了“采购智能管控”场景。第一步，把业务描述文档和已经连接的数据资源交给构建 Agent，人员、产品、批次、物料等表可以直接参与建模。新版自动构建已经变成交互式 Agent：可以暂停、补充信息、继续构建，最后生成的不只是实体、关系和事件，还包括 Action 与 Logic，并完成原始业务表和本体模型之间的映射，结构化数据随后进入本体。

第二步处理文档中的业务规则。采购管控规则往往不在数据库表里，而存在制度或业务文档中。4.2 可以直接读取文档，同时理解目标本体 Schema，再完成抽取。演示中的规则文档最终抽取出 14 条规则；结果可以导出，由 FDE 校验、修订后再写入本体，避免把模型抽取直接当成正式业务事实。

再往后是 Skills 和 Agent。只需描述要构建的技能，AI 就可以按照 Skills 规范组织资源、第三方工具和必要脚本。Skills 发布后，Knora Claw 同时获得可查询的本体对象、可执行 Action 和 Onto-Skills。面对“系统中是否存在违规采购，并分析相关人员和设备关系”这类任务，Agent 会自主调用不同能力、查询本体数据、展开推理链路并形成分析结果。最后，Automation Trigger 还能根据本体数据变化触发 Action，让任务不再只依赖用户提问。

这些能力并不意味着 FDE 会消失。AI 更适合接管可描述、可执行、可验证、可反馈修正的工程任务；问题定义、目标、关键语义、风险、责任边界和最终验收仍然由人负责。变化在于，过去依赖编码、脚本和平台熟练度的工作正在被自动化，FDE 可以把更多精力放到真正需要业务判断的部分。

对应到交付结果，4.2 强调四件事：更快进入业务验证、降低工程门槛、让复杂场景更容易规模化，同时把本体、规则、Skills 和上下文沉淀为可以复用的资产。复杂场景交付也由依赖少数专家，逐步转向人机协同。

03

企业 AI 的下一步，是理解企业正在发生什么

过去企业 AI 的大量应用集中在三件事：问问题、找知识、生成内容。这些场景通常都是“人先发现问题，再去找 AI"。但真正影响运营决策的任务往往是一连串判断：昨天夜班良率为什么下降，哪个环节出了问题，哪些批次受到影响，不处理会带来什么影响，下一步应该采取什么动作。

要回答这些问题，AI 必须先理解企业运行世界。企业本体解决三个最基本的问题：企业里有什么，它们之间是什么关系，以及企业按照什么规则运行。产品、订单、客户、供应商、设备、工序、物料等对象先被组织起来，再建立订单与产品、产品与工序、工序与设备、物料与供应商之间的关系，最后把异常、风险、调查和行动规则放进同一个语义空间。散落在数据库、系统、文档和人脑中的信息，由此变成 AI 能持续理解的企业运行状态。

04

同一套本体能力，进入五类真实业务链路

在生产质量场景中，难点不是没有 SPC、MES 或设备数据，而是数据、规则和专家经验没有形成可持续运行的质量决策能力。一次良率异常调查要经历发现异常、锁定时间窗口、定位影响范围、关联调查和反证验证。AI 每拿到一轮新证据，再决定下一步查什么，并把事实、假设、支持关系和反驳关系组织成证据链，而不是一次性查完数据就直接给结论。

PPT 给出的业务结果包括：单次缺陷调查由 2 小时缩短到 15 分钟，耗时缩短 87.5%；重复性分析工作量下降 72%；风险批次识别准确率由 68% 提升到 92%，提升 24 个百分点；一座工厂较历史同比的年度良率损失回收额为 +500 万元。

当问题跨出产线，进入订单、仓储、运输和售后，分析链路会进一步变长。经销商索赔案例里，零部件、供应商、仓储、包装、运输、经销商、订单发票和索赔资料原本分散在不同系统。本体先把这些对象还原成一条连续业务链，再由 AI 锁定对象、还原链路、定位异常节点、识别影响和责任。Logic 负责业务判断，Action 决定后续是需要人工介入，还是直接生成改善与跟进任务。分析因此不止回答“问题在哪”，还要沿着业务链继续判断和行动。

专业业务分析同时要处理结构化数据、文档和专业规则。平台先理解最终报告模板和输出要求，再从整体任务反向拆分分析步骤，把业务系统、知识库和本地材料组织到同一条任务链中，围绕任务调用 Logic、Skill、Action，并结合专业口径进行规则校验。人可以随时介入审查和修改，每个结论也保留来源链路。PPT 给出的结果是，人工整理与撰写时间减少 80% 以上。

研发测试场景以汽车 DVP 为例。法规要求、风险点、历史案例、验证目标、试验任务和样车资源先通过本体建立关联，AI 再完成试验项目生成、重复试验识别、轮次策略和样车资源计划。在保证验证完整性的前提下，典型 DVP 策划周期由约 1 周压缩到 1—2 天，同时减少重复试验、漏项和不必要的样车资源占用。

成本经营则进一步说明，采购价格最低并不等于真实业务成本最低。采购决策要沿行情、询比价、采购订单、入库批次、库存占用、生产耗用和实际出成继续追踪。真实业务成本不仅包含采购价格，还包括库存占用影响、质量 / 出成影响和资金 / 周转影响。Logic 持续判断价格是否合理、库存是否健康、出成是否异常、供应商表现是否变化，再由 Action 把分析结果变成提醒、复核、审批或业务系统回传，让采购决策从局部低价走向企业整体成本。

05

从“人找 AI"到主动式 AI

前面的场景最终汇合到一个方向：AI 不只是等人提问，而是持续理解企业状态，在关键变化出现时主动开始工作。企业数据持续变化后，系统识别触发条件，Agent 自动调查和分析，形成决策建议，再通过 Action 推动执行，结果继续回流到企业状态。

良率异常可以触发质量调查，履约风险可以触发受影响订单追踪，库存或原材料价格变化可以触发预警，原材料异常还可以继续关联批次和供应商。做到这一点的前提，是 AI 已经理解对象、关系、状态和规则。

最终形成的是一条“感知—理解—分析—决策—行动”的企业智能闭环：企业本体描述运行世界，语义数据智能理解变化，Agent 负责调查、追溯、判断和计划，决策与 Action 把结论转成推荐、预警、任务和系统操作，新的执行结果再回到企业状态中。不同场景不需要从头建设一套 AI，而是在统一 Ontology 和业务语义基础上，让同一套智能能力持续进入生产、运营、专业分析、研发和成本等业务链路。