企业智能场景如何落地——本体、AI Agent 与全域运营决策

01

大模型时代，知识工程真正要补的是“私域盲区”

肖仰华认为，人工智能发展中有一件事没有变化：机器仍在向接近人类水平的智能演进，而人类智能的重要特征之一，就是能够发现、表达、管理、使用和传承知识。因此，只要 AI 还需要理解并解决真实世界的问题，知识工程就不会消失。

变化发生在知识的表达方式。过去知识工程强调严格的符号化、结构化表示，如知识图谱、逻辑规则和 Schema；到了大模型时代，一句话、一段代码、数学表达式，只要基础模型能够理解，都可能成为知识载体。

大模型确实替代了传统知识图谱的一部分工作，尤其是世界知识、学科知识和大量公域知识。如果基础模型已经在训练阶段学习过，再花很大成本重新构建一套知识图谱，价值有限。

但 Agent 一旦进入企业，就会遇到模型没有学过、也不应该在公开语料里出现的内容：制造工艺、内部流程、实时业务状态、组织责任、设备参数、业务规则和专家经验。企业本体真正要补的，正是这些私域知识盲区。知识工程的目标也随之改变——不是重新描述整个世界，而是精准补齐模型不知道、但业务运行必须知道的知识。

任鑫琦进一步指出，知识工程长期做的事情没有变：理解世界、表达世界，再让 AI 基于这种理解解决问题。NLP、Graph、推理机、知识图谱、数据仓库到今天的大模型，本质上都是工具演进。吴赢时强调，过去知识图谱积累的真正价值，不只是建图技术，而是业务世界理解、知识组织和推理方法，这些能力在企业 AI 场景中反而被重新放大。

02

本体不一定先做“大一统”，多数企业可以从场景自下而上生长

传统本体工程通常采用自上而下的方式：先由专家定义企业级框架，再逐层建设。这种方法有必要，但成本高、主观性强，企业越大越难由少数人讲清全部业务。

肖仰华建议，多数企业可以走一条更现实的自下而上路径：先从岗位和具体任务开始。一个岗位需要哪些 Skill、哪些知识、哪些数据，就先做岗位级 Agent 和岗位级知识支撑。等大量岗位 Agent 跑起来之后，再把岗位之间的数据和知识关联起来，逐渐形成部门级本体，再进一步形成企业级本体。

这意味着本体不是一次性设计完成，而是“边用、边建、边修、边完善”。但对于国家安全、情报、金融系统性风险等高风险场景，自上而下仍然必要，因为全局完整性本身就是业务要求。两条路径并非二选一，关键看风险和场景。

03

AI-FDE 的价值，不只是自动建模，还在于把串行交付变成并行

企业接受本体之后，最现实的顾虑是成本。如果仍按传统 FDE 模式做大量调研、沟通、配置和实施，本体很容易变成新的交付负担。

任鑫琦认为，AI-FDE 的核心不是“让懂 AI 的 FDE 继续人工交付”，而是尽量让 AI 接管传统 FDE 中可工程化、可标准化的工作。企业可以先提供文档、历史工单、故障报告、数据库、实时数据等资料，让 AI 快速形成一个初版本体。它不需要一开始就是 100 分，价值在于迅速从 0 到 1，给业务专家、客户和交付人员一个共同校准对象。

圆桌中给出的 IPO 咨询案例很具体。传统人工从理解业务到完成本体建模通常至少 3 个月，完整调整可能达到 6 个月；引入自动化建模后，大约 2 周可完成约 70%—80% 的业务对象、关联关系和核心指标梳理，再由专家调整复杂指标逻辑和定性判断。两个实践中，大约 2 个月已能形成较完整的本体模型，并支撑 Agent 生成招股说明书。

吴赢时补充，AI-FDE 带来的效率提升还有一个容易被忽略的来源：把原来的串行工作改成并行。过去业务访谈结束后再整理文档，再做本体发现，再做数据 Pipeline 和 Logic/Action 配置；现在业务访谈进行时，AI 可以同步抽取知识，数据团队梳理数据库时，AI 也能同时分析 Schema、API 文档和主数据。项目周期因此不只是“单点变快”，交付组织方式也发生变化。

04

不是所有知识都应该建进本体，真正要做的是“有所为、有所不为”

肖仰华提醒，今天构建本体的工具能力已经很强，但更容易出现新的误区：花很多成本把大模型本来就知道的知识重新建一遍。

如果知识大量存在于公开年报、财报、百科和通用行业资料中，基础模型很可能已经学过。把这些内容重新转成图谱再塞给模型，价值有限，甚至可能增加无效上下文。知识工程应该优先回答“大模型真正不知道什么”，再把资源投入到企业私域、实时变化、难以公开和难以迁移的知识上。

大规模自动建模也会带来 Token、推理时间和总体成本问题，部分知识抽取和结构化任务可以交给更小、更便宜的模型。

05

Ontology 与 Harness 分工不同：一个描述业务世界，一个约束 Agent 如何运行

吴赢时把两者的关系概括得很清楚：Ontology 解决“企业真实运行世界是什么”，Harness 解决"Agent 在这个世界里怎么运行”。

本体提供产品、设备、工序、订单等核心业务对象和实时事实；再往上是 Logic，把专家经验和确定性业务判断显性化；面对复杂长程任务，本体还可以提供任务路径和下一步导航；执行过程中产生的正例、反例、证据和归因，则可以继续沉淀，为后续类似任务提供参考。

Harness 关注的是运行时约束、安全机制、Context、Memory、工具调用、错误处理，以及什么时候应该退出自动流程交给人处理。两者因此不是同一个层次，而是互补关系。

对于 Coding Agent 的开源 Harness，企业不能简单“拿来即用”。编程知识大量属于开放知识，而工业企业的事实、Know-how、Logic 往往全部是私域内容，还必须和企业现有数仓、数据库、知识库、API、权限体系打通。开源 Harness 可以作为基础，但真正进入核心业务，还需要补大量企业级集成和治理能力。

06

本体上线以后，难点会从“建设”转向“更新与治理”

企业处在持续变化中，知识更新一直是本体工程最难的问题之一。肖仰华提出几种思路：一是从业务结果反向触发更新，如果 Agent 原本正常、后来结果偏离预期，可能意味着某些知识已经失效；二是对关键场景继续保留专家规则，明确什么情况下允许更新；三是利用大模型和 Agent 感知变化、反思知识是否过时，再建议或触发更新。

但自动更新并不等于问题解决。不同知识的变化频率完全不同，有些多年不变，有些每天变化，真正需要治理的是：什么时候更新、更新什么、由谁确认、如何验证。

自进化 Agent 可以解决一部分 Skill 级更新。环境反馈和人的反馈都能推动优化，但也会带来新问题：按单个专家还是多个专家反馈更新？意见冲突怎么办？因此，本体更新最终会演变成 AI 原生知识治理——企业不仅要治理人的知识，还要治理“给 AI 用的知识”和"AI 自己沉淀出来的知识”。

07

场景泛化：长期可复用的未必是知识，而是能力

本体加大模型并不适合所有问题。任鑫琦认为，它更擅长长链条、前后依赖的数据分析和推理，例如离散制造中的良率分析、故障归因和质量追溯。预测性维护往往依赖另一套时序或工业模型；AOI 等多模态场景，本体更多发挥辅助作用。因此，第一个场景的选择很关键，应先找一个能快速出效果的小切口，做成标杆再扩展。

吴赢时从工程角度把可复用资产分成数据/API、Ontology、Logic、Skill 几层。第一个场景最重，因为要完成数据语义化、核心对象和业务逻辑建设；到了第二、第三个场景，底层资源和一部分对象、Logic 已经存在，推进速度应该越来越快。

肖仰华进一步提出，未来真正值得强调的可能不是“知识复用”，而是“能力复用”。如果一套知识可以直接从 A 企业复制到 B 企业，它往往不是真正的私域知识，也更容易被基础模型吸收。真正难迁移的是企业独有的流程、规则和经验；真正可以持续复用的，是围绕私域知识形成的抽取、建模、管理、更新和应用能力。

08

后训练不会简单替代本体，企业 AI 最终需要“概率能力 + 确定性能力”共同工作

最后的观众问答集中在一个问题：随着后训练越来越强，企业能不能把知识都训进模型，从而不再需要本体？

任鑫琦认为两者不在同一层次。后训练可以把一部分知识和能力内化到参数里，但企业不可能把所有实时变化的私域知识都靠训练写进模型。本体仍然提供一种重要形态：知识既能被 AI 使用，也能被人看见、检查、修改和校准。

肖仰华则从可靠性和效率两个角度解释了符号知识继续存在的必要性。只要生成式模型仍是概率生成，就无法保证所有输出 100% 正确。对于企业里的确定性规则、关键数字、审批判断和执行逻辑，能写成规则的应写规则，能变成脚本的应变成脚本，能用 Logic 确定执行的就不必每次交给大模型重新生成。

效率也是同样的问题。简单规则、正则表达式和程序判断的执行成本远低于大模型。企业 AI 的合理形态不会是“所有地方都用大模型”，而是让大模型处理理解、不确定性、规划和复杂推理，把确定性计算、规则和执行继续交给 Logic、脚本和程序。

如果企业无差别使用生成模型，还会积累新的治理债务：输出从哪里来、哪一步可靠、出现问题由哪个 Agent 或设计者负责、结果能否溯源。真正进入生产环境后，这些问题会比"能不能生成答案”更重要。

圆桌最终形成的共识是：大模型越强，企业知识工程越需要重新定位。公域、可迁移知识会越来越多地被模型吸收，企业真正需要建设的是不断产生和变化的私域知识，以及围绕这些知识形成的工程能力。Ontology、AI-FDE、Harness、Logic、Skill 和后训练不是互相取代，而是在企业 AI 最后一公里承担不同职责。

以上就是本次分享的内容，谢谢大家。

点个在看你最好看

SPRING HAS ARRIVED