回答一个问题容易,难的是让 AI 真正跑完一单业务。一句「帮 C001 升级 VIP」,背后是数据、关系、规则、权限与交付的五道关卡。
企业构建 AI 项目时,常面临一个困境:知识库已建好,RAG 已接入,大模型能回答制度问题、查询资料甚至生成报告。然而,一旦涉及真正的业务需求,系统便捉襟见肘。
例如用户提出:
「帮我分析客户 C001 最近投诉增加的原因,若符合 VIP 升级条件,请发起升级申请。」
这句简单的指令背后,AI 需跨越多重障碍:查找 C001 资料,调取 ERP 中的订单合同、客服系统的投诉记录及 CRM 中的客户等级,检索知识库中的 VIP 制度。随后判断是否符合升级条件、用户是否有权限、是否需审批。审批通过后,还需调用接口变更状态并确认结果。
「这已远超普通知识问答的范畴。」
结合企业级 AI 架构与 FDE(前沿部署工程师)交付模式,将 RAG、知识图谱、Ontology(本体论)和 Agent 整合观察,可发现它们分别承担业务链路的不同环节:RAG 负责知识检索,知识图谱关联分散实体,Ontology 描述业务对象、规则与动作,Agent 理解任务并组织执行,FDE 则将这些能力集成至现有系统,确保流程闭环。
本文将以 C001 升级 VIP 为例,拆解这套技术与交付全过程。
本文看点
01
RAG 能查知识,难跑业务
02
Ontology 组织业务模型
03
FDE 七阶段现场交付
为什么企业 AI 做了 RAG,还是无法真正处理业务?
常见企业 AI 项目通常将内部制度、手册、规范等文档上传至知识库,通过 Embedding 转为向量存入数据库。员工提问时,系统检索相关内容交由大模型生成回答。
RAG 擅长解决知识检索类问题,如查询报销制度、故障手册或技术参数。这类任务的答案主要存在于文档中。但 C001 的 VIP 升级涉及多系统数据交互:
|
|
|
|---|---|
|
|
|
|
|
|
|
|
|
|
|
|
系统需先定位 C001,跨系统查询订单、投诉及升级政策,并将这些信息关联分析,判断投诉原因及升级资格。即使大模型检索到制度,也无法直接获取 C001 的实时等级或未处理工单状态。
原因很直接:RAG 检索到的是静态知识内容,而企业业务运行依赖动态数据和状态。
这里存在关键区别:知识库中的 VIP 制度是业务规则的文本表达,而 CRM 中的客户等级是当前业务状态。仅靠 RAG 可解释制度,却难以独立完成完整的业务申请。
知识库里的 VIP 制度
业务规则的文本表达
CRM 里的客户等级
客户当前的业务状态
「这也是很多企业 AI 项目从知识问答走向业务自动化时,遇到的第一道坎。」
知识图谱,让 AI 看懂企业数据之间的关系
数据分散在不同系统中,AI 需理解数据间的业务关系,这正是知识图谱(Knowledge Graph)的作用。
1. 知识图谱的基本结构
知识图谱由实体、关系和属性组成。以 C001 为例,其购买了产品 P001,签订合同 HT001,提交工单 GD001。这些构成了实体间的关系网络。
Customer C001
↓
拥有
Contract
HT001
购买
Product
P001
提交
ServiceTicket
GD001
ServiceTicket GD001 涉及 Product P001
每个实体还拥有属性,如客户名称、等级、区域等。知识图谱将这些组织成可查询分析的关联网络。
2. 知识图谱的应用价值
针对「C001 投诉是否与产品 P001 有关」这类问题,传统数据库需多层关联查询。知识图谱则可从 Customer C001 出发,沿业务关系路径查找相关订单、产品及工单,进而分析投诉集中度和受影响范围。
这种跨实体、多跳关系查询,正是知识图谱的优势场景。
3. RAG 与知识图谱的结合:GraphRAG
微软提出的 GraphRAG 方案,通过从非结构化文本提取实体关系建立图结构,结合社区划分与摘要机制,既能回答局部细节问题,也能处理全局关联分析。
4. 知识图谱的局限
知识图谱解决了实体关系,但面对「VIP 升级」这类操作,仍需回答业务条件、权限、审批及执行机制等问题。单靠实体关系图无法形成完整的业务执行体系,此时需引入 Ontology。
Ontology,把企业数据组织成真正的业务模型
此处讨论的是面向业务运营的 Operational Ontology。参考 Palantir Foundry 的实践,Ontology 承担业务语义层和操作层职责,连接数据、逻辑、动作与安全治理。
1. 核心:业务对象 (Object)
数据库中是一张 customer 表,而业务人员关注的是“客户”这一对象,包含名称、区域、等级、合同等信息。Ontology 将底层数据映射为统一的 Customer Object,使 Agent 无需直接处理复杂的表结构。
Customer Object
PROPERTY 属性
customer_idcustomer_namecustomer_levelcustomer_statusregion
LINK 关联
→ Order→ Contract→ Product→ ServiceTicket
注意:建立 Object 并非简单复制数据,而是定义映射、主键、属性来源及更新机制,底层数据仍来源于各业务系统。
2. 链接 (Link):业务关系的抽象
数据库通过外键关联,而 Ontology 通过 Link 定义业务关系,如“客户拥有订单”、“订单包含产品”。这使得 Agent 可围绕业务对象查询,无需编写复杂 SQL。
Customer
hasOrder→ Order
hasContract→ Contract
purchases→ Product
hasTicket→ ServiceTicket
3. 属性与状态 (Property & State)
业务对象具有动态状态。普通属性描述静态信息,State 反映业务流程中的变化,如客户等级从“普通”到“VIP”的状态流转。Agent 需依据当前状态和转换规则决定下一步操作。
4. 动作 (Action):从查询到执行
Action 定义围绕业务对象可执行的操作,如 ChangeLevel。一个生产级的 Action 需明确输入参数、前置条件、权限、规则、审批及异常处理,而非简单的 API 调用。
LLM 可提出请求,但不能自行判定权限校验通过。这是企业级 Ontology 与普通问答系统的分水岭。
5. 函数、规则与安全 (Function, Rule & Security)
VIP 升级需满足多项条件:状态正常、消费达标、无重大未处理投诉等。这些规则需转化为程序逻辑,并由后端可信环境执行权限校验、审批判断及日志记录。
用户身份认证
↓
检查客户对象访问权限
↓
检查 ChangeLevel 执行权限
↓
业务规则校验
↓
判断是否需要审批
↓
执行 Action
↓
记录操作日志
6. Ontology 完整模型
Ontology 赋予数据统一业务含义,使关系可查、规则复用、动作受控,为 Agent 提供理解企业业务的基础。
Agent + Ontology,让 AI 参与业务执行
传统 Agent 通过 Tool Calling 直接调用 API,随着业务复杂度增加,Agent 需掌握大量字段差异和调用顺序,导致系统难以维护。Ontology 驱动的执行则提供统一业务接口。
1. 传统 Tool Calling 与 Ontology 驱动执行对比
Ontology 驱动下,Agent 理解意图后查询 Ontology,获取业务对象、状态及关系,调用 Business Function 并经过规则校验、权限检查和审批流程,最终执行后端接口。关键在于工具背后的业务定义和执行约束是否完整。
Tool
描述技术能力
Action
描述业务操作及其约束
2. C001 VIP 升级完整案例
目标:分析 C001 最近投诉增加的原因。
附加任务:如果符合 VIP 升级条件,发起升级申请。
Customer C001
PROPERTY
customer_levelcustomer_status
LINK
→ Order→ Contract→ ServiceTicket
Agent 通过 Ontology 查询关联数据,分析投诉变化。
结合 RAG 检索的制度与规则服务的确定性判断,验证客户资格。
若满足条件,Agent 创建升级申请。
后端检查权限及审批流程。
业务系统执行变更后,Agent 再次查询确认状态并反馈用户。
客户 C001 分析完成
投诉情况:近期投诉主要集中在产品 P001
升级资格:符合 VIP 客户升级条件
申请状态:已提交,等待主管审批
申请编号:APP202611001
Agent 返回「已提交」必须有真实业务回执依据。对于不确定结果,需通过流水号查询,避免重复提交。
FDE,如何把这四种技术交付给企业?
FDE(Forward Deployed Engineer,前沿部署工程师)深入客户现场,对交付结果负责。其工作横跨业务分析、软件开发及数据工程。
1. FDE 的企业 AI 架构设计
从工程角度可划分为六层:数据接入层、知识层(RAG)、关系层(知识图谱)、语义层(Ontology)、执行层(Agent/Action)及治理应用层。FDE 需根据客户现状做取舍,不必强制部署独立平台。
|
|
|
|
|---|---|---|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
2. FDE 的七个交付阶段
明确业务范围、验收标准和责任边界。
处理主数据映射、字段口径及数据质量。注意不同系统中客户 ID 的统一映射。
建设 RAG 知识库,注意文档版本及制度生效时间。
定义核心实体和关系,确保数据来源和关系定义的准确性。
建立业务对象、链接、动作及规则,使其可被 Agent 直接使用。
实现意图理解、任务拆解及执行控制。涉及关键业务操作时,建议设置人工确认机制。
监控检索准确率、数据关联准确率、规则判断准确率及 Action 成功率等指标。必须区分模型输出与最终业务状态。
企业落地最容易踩的五个坑
文档知识与实时业务数据需分别设计获取机制,不可混淆。
仅有实体关系建模而无业务状态、规则和 Action,Agent 无法可靠执行业务操作。
若无统一业务动作定义,开发人员将被迫回归直接调用底层 API,削弱 Ontology 价值。
严禁 Agent 直接生成 SQL 操作生产数据,这会绕过规则、权限及审批。应通过受控的业务 Action 执行变更。
PoC 关注模型能力,生产环境需关注数据更新、幂等性、异常恢复及审计记录。FDE 的价值体现在解决这些具体工程问题上。
企业应该如何分阶段建设?
建议从一个明确业务场景开始,分阶段推进:
建设 RAG,解决制度问答、客服助手等场景,做好知识清洗与权限过滤。
梳理核心业务对象,处理跨系统映射,建立 Ontology 及知识图谱,验证对象统一性与状态可信度。
开发 Agent,先从查询分析入手,逐步开放低风险 Action。涉及关键权益操作时,加入权限校验与人工确认。
此路线确保每个阶段均可见证实际成果,无需等待整体平台建成即可创造业务价值。
总结
C001 的升级申请看似简单,实则涉及企业知识、数据、关系、规则、权限及流程的综合调度。RAG 找制度,知识图谱连数据,Ontology 组织业务模型,Agent 组织执行,FDE 负责现场落地。
企业 AI 正从知识问答走向业务操作。模型与工具不断演进,但客户、订单、合同等核心业务要素始终需要清晰定义。这是 Ontology 值得投入的关键所在。
「C001 的升级申请最后能不能提交,取决于有没有人愿意把主数据映射、状态口径和审批链路这些不体面的活干完。模型聪明不聪明,排在这些活后面。」
END

