点击上方蓝字关注我们
PART 01


-
2023年,GPT-4直接查询原始数据表时,回答正确率仅 16.7%;而如果将相同的数据表示为知识图谱,则正确率可达54.2%。 -
2024年,添加了一个基于本体的检查与修正机制,结果显示,正确率达到了72.6%,另有 8% 的答案是“我不知道”,约 20% 回答错误。 -
2026 年,使用 Sonnet 4.6 和 GPT-5.3-Codex 这两个模型再次测试。直接查询的准确率在两个模型上已经达到 64.5%;而增加轻量语义层后升至 72.7%;随后,测试团队仅仅添加了3张用于组织业务数据的中间表,再结合轻量语义层,准确率就飙升到98.2%甚至100%。
-
重型本体的工程复杂度与维护周期难以承受:庞杂的协议栈(RDF/OWL/SPARQL/SHACL等)、跨部门的业务协调、漫长的验证周期 -
大量的日常 Agent 场景用不上深层逻辑推演:智能咨询、串起 CRM/ERP 的自动化流程、代码 Agent 等,大部分 Agent 的痛点远没有达到“需要跨越 N 层概念去理解未知的关系和规则”的程度,轻易的上本体,就是杀鸡用牛刀。 -
大模型自身理解与推理能力的飞跃:当前主流大模型的多步规划与上下文推理能力已经非常强,很多时候你给出干净的数据、清晰的 Schema 和业务文档,大模型会自己完成很多逻辑关联 — 无需借助沉重的符号推理机。
PART 02
-
业务知识库(Wiki 等):按主题分层整理概念、指标、经验与各种 SOP(标准操作流程)等。这种形式极便于业务人员直接参与维护,可读性强。 -
传统规则引擎:本体经常宣传的是“确定性规则推导”。但很多场景中,传统的基于规则表达式或决策表的规则引擎,同样能实现确定性的逻辑判定。 -
Agent 技能(Skill):每一个封装良好的 Skill 本身就是一个内聚的“知识胶囊”。它把特定场景下的业务知识、操作流程、判断规则等打包在一起,Agent 加载 Skill 就自带了业务上下文 — 无需再去查本体。

-
知识组织:LLM-Wiki、PageIndex、Google OKF 等,具体参考:一篇讲透:RAG / GraphRAG / LLM-Wiki / PageIndex 在企业知识系统的融合应用
-
检索与图谱:传统 RAG、轻量级 GraphRAG(如 GraphRAG、LightRAG) -
规则与技能: JsonLogic、zen-engine、Drools 等开源规则库、Skills
-
一方面,同名概念在不同部门可能含义不同 — 比如“签约客户”究竟代表合同主体,还是实际使用产品的主体?这需要补充“业务词典”,明确术语定义、别名、适用范围及上下位层级关系。 -
另一方面,很多企业遗留系统里往往充斥很多晦涩的物理缩写,比如 tuserdatanew,indata1等。如果直接把裸表或裸接口甩给模型,Agent 基本就是瞎猜,此时可以引入一些强类型验证的手段,让错误提前暴露。比如引入Pydantic 强类型验证模型:
-
将底层缩写映射为语义清晰的业务字段,在代码的 Field(description="...")中内嵌业务语义说明与合法枚举值 -
在 Agent 调用入口处强制类型校验 — 一旦模型推理错了字段或臆造参数值,就会在访问真实数据或 API 前被拦截,从而获得纠错的机会

-
高频调用内部应用 API 的任务执行型 Agent -
结构化信息抽取与表单自动填写的 Agent -
通常查询固定字段与稳定表关系的轻量级数据问答 Agent
-
代码级类型校验:Python 生态的 Pydantic、TypeScript 生态的 Zod -
数据与 API Schema:SQL DDL、JSON Schema 定义 -
业务词典与分类标准:这个可以自定义,也可以借助 W3C 的 SKOS(简单知识组织系统),用于标准化描述概念术语及上下位层级(如定义“集团客户”是“客户”的下位概念),未来也可平滑演进为本体的一部分。

-
MetricFlow 与 Cube :YAML 定义指标;语义查询引擎负责编译 SQL -
Malloy:Looker 创始人打造的一套开源完整的数据建模与查询语言 -
腾讯开源的 SuperSonic 项目:一个轻量级、较完整的分析语义层项目 -
蚂蚁 AntV 团队的 AVA 框架:提供了针对字段的轻量语义标注、数据统计特征提取与智能洞察推荐能力(API),适合生成轻量级的语义上下文并注入给数据可视化分析的 Agent
-
元数据目录:把分散的物理表、字段注释、ETL 任务、BI 报表、微服务接口、业务术语标签、数据质量评分以及资产负责人统一登记,形成可检索的企业数据资产目录(类似”黄页“)。 -
血缘图谱:通过解析 SQL 日志、集成脚本与服务调用关系,把数据从哪个源库产生、经过哪些任务、最终流向哪里,组织成一张图谱(简单依赖可用映射表记录,跨系统、多跳则采用图结构存储)。 
-
标杆是 DataHub(LinkedIn 开源的元数据与上下文平台):采用元数据图谱(Metadata Graph)架构,并针对 AI Agent 强化了上下文管理与检索能力,让 Agent 可以方便的查询数据资产与血缘关系。
-
其他的项目推荐:OpenMetadata(数据资产目录管理)、Apache Atlas(元数据建模与大数据治理),OpenLineage(运行时血缘上报与采集的标准)。
PART 03
|
|
|
|
|---|---|---|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|

