先把本体从一个陌生名词，变成一个经营问题 下面的问题，是之前面对过的灵魂拷问，分享给佬友们，共勉～～ 老板问：“这笔订单能否按时交付？如果不能，今天应该采取什么措施？” 这个问题，在公司里没有任何一个人、任何一个系统能一口答出来，不是没有数据，是数据可能散在五处。 答案可能散落在五个地方： 销售系统：记录对客户的交付承诺 ERP ：订单信息、采购进度 仓储系统：实际库存数量 生产系统：现有产能排期 制度文档：物料调拨流程、审批权限 ... ... 每一套系统只持有 局部事实 ，没有任何一个系统拥有完整业务上下文。 直接把多源原始数据丢给大模型，它可以快速输出一份看起来很不错的建议报告。但企业真正要的不是‘像样’，而是五个确定： 订单识别无误，库存不重复计算、不漏算，业务规则是现行有效、不是过期旧制度，操作行为符合权限约束，杜绝越权，所有建议可以落地执行、执行结果可回源追溯到原有业务系统。 这五个确定性，不靠更大参数的大模型，而依赖一套企业全员达成共识的业务地图， 也就是 业务本体 。 本体核心定义 ：把企业公认的业务对象、业务关系、业务规则显式定义出来，让各个业务系统、人员、AI 共用同一套业务语义；再把定义和真实数据、受控操作绑定，就形成可运行的本体系统。 大模型负责把话说好，本体负责把数坐实。每一个数据有来源，每一步操作有权限控制，每一次执行留有回执记录。“看起来合理” 和 “业务上真实可信”，差距就在这一层。 通俗类比：本体就是 一套可以被软件直接执行的业务说明书 。 写明企业有哪些业务对象、对象之间如何关联、什么条件下什么人允许做什么动作。 纸质业务制度文档容易过期失效；本体是动态活的定义，规则一旦更新，所有引用这套规则的校验逻辑立刻切换新版本。 问答 1：这不就是数据字典、主数据管理吗？ 数据字典 ：统一的是 字段名称 ，只解决数据库字段叫什么； 主数据管理 MDM ：统一的是 实体名称编码 ，解决客户、物料叫什么、编码是多少； 业务本体 ：统一的是 业务语义含义与权责 。 覆盖对象之间的关系、业务约束规则、业务动作、操作权限，并且直接对接真实数据与受控执行流程。 简单区分：字典、主数据偏向静态台账，给机器识别字段和编码； 本体是业务运行时校验标准，软件每一次业务操作之前，都要对照本体做合规校验。 问答 2：能不能交给 AI 自己学习生成本体？ 直接把自然语言查询对接企业原始数据库，大模型幻觉问题突出，实际业务正确率很低。 AI 自学习无法替代人工沉淀的业务语义。 在 AI 学习之前，必须先搭建统一语义层（本体） ，才能大幅提升企业问答可靠性。 不是大模型不够聪明，企业业务含义没有转化为 AI 可解析的结构化形式，AI 无法自动读懂企业内部业务逻辑。 问答 3：大模型 + 知识库 + RAG 组合，不能搞定这些工作吗？ RAG 整套体系职责拆分： 大模型负责表达输出，知识库负责存储文本资料，RAG 负责检索提取文本内容 。 RAG 的擅长域：答案已经完整写在文档内。例如报销标准、合同模板、历史处置案例，检索类任务效率很高。 但回到核心问题： 订单能否按时交付 ，这个结论不存在于任何一份静态文档，它是 跨系统动态计算出来 的。 示例：订单数量 169 件，采购到货 100 件，缺口 69 件；交付截止 10‑20，剩余工期 35 天；付款条款 3‑4‑3，尾款 591 万尚未支付。 这些指标分散在 5 套系统，没有一份文档同时保存全部变量，RAG 检索不到 “从未被写死在文档里” 的动态计算结果。 RAG 还有四大固有短板，恰恰是本体解决的问题： 认字不认业务实物 同一供应商，销售合同名称、ERP 编码、准入档案名称各不相同。RAG 依靠文本相似度匹配，无法区分【同名不同实体、同一实体不同名称】，极易认错订单、认错物料， 这就是企业场景幻觉重要来源 。本体为每一个业务对象分配唯一业务身份，打通多系统对齐同一个主体。 只看相似度，不区分规则有效性 制度更新迭代之后，旧版本文件仍然保存在文档库。往往相似度最高检索结果是已经作废的旧制度。RAG 本身没有能力判断文档是否现行有效。本体中规则是带版本管理的活对象，更新之后所有调用自动使用最新有效版本。 只有读能力，没有受控执行能力 RAG 只能输出文字建议，不能自动下发催告、锁定付款、下发生产工单；即便简单对接接口，也无法管控操作人权限、审批流程、操作留痕审计。 载体天然缺失业务元信息 纯文本知识库天然缺少： 唯一业务身份、生效时间、版本号、业务责任人 。 如果强行给知识库每一条文本补齐这四项元数据，本质上已经在构建本体。 知识库与本体清晰边界 知识库适合存放叙事类知识 ：制度原文、项目案例、经验总结、会议纪要等文本材料； 但知识库规模越大，越依赖本体做治理：上万份文档哪些现行有效、文档条款对应哪个业务对象，知识库自身做不到，依靠本体赋予对象身份、有效期约束。 结论：直接裸用大模型对接业务数据，实际业务问答正确率很低；前置一层本体统一业务语义，业务场景可靠性可以显著提升。瓶颈不在于模型参数量，而在于缺失业务语义结构化层。 1 个帖子 - 1 位参与者 阅读完整话题

  • 情报分类：技术学习与提效
  • 分类依据：内容涉及技术、AI、软件工具或工程实践
  • 信息来源：服务器 / LINUX DO - 最新话题
  • 发布时间：2026/9/16 10:30:44