Agentic Ontology：构建企业数字世界

先说一个核心判断：企业搞了二十年的“数智化”，如今又撞上了智能体的热潮，但许多企业其实还在那个熟悉的死循环里打转。

系统之间还没真正“互联”起来呢，更谈不上什么全局的数据治理和深度智能决策。结果呢？新的业务需求、新的技术栈、新的一批设备又扑上来了，于是又长出新的烟囱系统，一切从头折腾。

今年以来，Claude Code、OpenClaw、Hermes-Agent 这些智能体工具和技术，把整个行业的风向彻底吹向了智能体。一个共识已经非常清晰：企业需要沉淀能力，而“技能（Skill）”正是沉淀能力的载体。但问题也来了：企业对AI的诉求，已经从“模型能不能答对题”，迅速升级为“智能体在企业里到底怎么落地，能不能管得住、管得顺”。

显然，摆在个人智能助理面前的麻烦，和摆在企业智能体面前的麻烦，根本不是同一个量级。烟囱系统的死结、数据治理的泥潭，如果不跳出旧有的误区，企业智能体的故事很可能就是把当年“企业软件”的覆辙再重演一遍。关键在哪？在于得先让“智能体”能理解我们这个世界——一个持续演进、复杂交织的企业业务世界。然后，它才能在这个世界里采取行动。这，就是所谓的“企业世界模型”，也就是智能体本体（Agentic Ontology）。

一、本体

“本体”（Ontology），过去是个哲学概念，指的是事物的本质和根源。计算机科学在知识工程的研究里拿它来用，用它来表示某个领域内专有的概念、它们之间的关系约束，以及背后蕴含的逻辑规则[1]。

真正把这个概念带火并且推到企业应用层面的，是明星公司 Palantir。它在Ontology之上扩展了组织数字资产的表达，包括了企业数字资产的概念、实际发生的实例，以及可以执行的动作逻辑。在Palantir的定义里，本体就是组织的“操作层”，它架在数据资产之上，在平台里对应着真实世界的对象，是企业数字世界的一个“数字孪生”[2]。

通俗点讲，本体就是企业数字世界的骨架。它用三个层次定义一切：

• 事物
  ：企业里有哪些“对象”——客户、订单、产品、库存、员工、供应商……

• 关系
  ：这些对象之间怎么关联——客户下订单，订单包含产品，产品关联库存，员工负责某一客户……

• 行为
  ：在这些关系上会发生什么——客户下单、库存预警、采购审批、发货配送……

本体的核心价值在于，它把操作决策和原始数据隔离开来，如下图所示。

有了本体之后，我们的数据智能和分析决策，就跳出了烟囱系统、互联互通、数据治理这个死循环。它和现有的数字业务系统形成一种“孪生关系”：既能随着现有系统自然演进，又不受制于业务系统自身的发展和能力。这就像是给企业的数据世界安了一个稳定的骨架，而不是在那些不断变化的血肉里挣扎。

不过，这里有一个关键追问——不管是知识工程里的本体，还是 Palantir 那样的企业应用本体，它一定是面向特定业务场景的，这一点我们在之前的文章里详细阐述过。本体的本质是要建立面向具体场景的“意义数据”。而在技术层面，这个建立的过程往往还是离不开数据挖掘和治理。问题就来了：这个过程不是又掉进了企业数据集成的老泥潭吗？有了数据中台、有了ETL工具，可还是得面对不同场景的不同需求，反复折腾？

当然，有些企业，比如 Palantir 的 FDE 团队，因为对业务有深刻理解并形成了成熟的方法论，可以依赖行业模板和其强大的平台，在数周内就交付可运行的工作流[4]。但大部分企业没有这个条件。

令人欣慰的是，LLM 智能体的发展，给出了一个有效的解法。下面这个建筑操作和管理的智能体数字孪生应用案例[5]，就很能说明问题。

该案例的流程分为三步：先定义不同应用的需求，然后根据需求定义Schema并产生本体，最后在使用过程中根据实际情况不断更新模型和数据。

回到 Palantir 的本体模型，它除了包含数据孪生的事物和关系之外，还包含动作和行为。其构建基础主要依托三大支柱：Data Sources（数据来源）、Logic Sources（逻辑处理方法）和 Systems of Action（行为系统）。我们在企业数据集成和应用集成的基础上，加入智能体来实现这个过程。具体实现逻辑与 Palantir 概念的对比如下，主要包括以下几个关键环节：

• 根据具体场景需求定义数据仓库：不同场景应用可以有多个不同的“意义数据”Schema，包括数据类型、关系等；同时需要分析数据源的类型，定义事实数据的Schema。
• 编排ETL算子、机器学习方法等，实现整体流程：从数据源到事实数据（数据治理），再从事实数据到意义数据（数据挖掘）。
• 对企业的现有系统——也就是Palantir所谓的“Systems of Action”——进行详细分析，实现应用连接，并且在iPaaS（应用集成平台）上形成治理后的API。
• 根据业务需要，将多个API聚合为工作流（Workflow），供最终业务应用使用。

重要的是，数据仓库治理、数据处理编排、企业应用连接等这些环节，现在都可以借助智能手段大大简化，使得企业本体的构建过程不再那么痛苦和漫长。

二、智能体

有了本体这个脚手架，企业数智应用的搭建就有了可靠的底座。在智能体时代，企业的工作空间是一个典型的“人机融合、协同共生”的场景。在这个场景里，各个环节既包括人（H），落地为App；也包括机器（B），落地为Agent；还包括人机协同（HB），落地为 App + Agent，以及覆盖这些环节的自动化过程。

回到 Palantir 的本体之上，它同样支撑着 Application、Agent 和 Automation。这已经成为智能体时代企业工作场景的一个基本共识。

智能体是构建这一新型工作空间的关键。传统上的自动化流程依赖规则，但在规则难以覆盖的地方，业务的自动流转和处理就会陷入停滞。而LLM的独到之处恰恰在于：它可以在没有完整规则的情况下，仍然做出合理决策；在缺乏完整数据的情况下，也能理解问题，并基于其相关知识进行推理和思考。

技能（Skill）[6]的推出，更是让这一局面有了质的飞跃。它使得组织和人的核心能力能够以规则、数据、甚至是思维方法的形式沉淀下来，并且在使用过程中持续迭代提升。可以说，智能体不仅仅是对传统工作环节的简单替代，它更像是一颗性能强劲的“粘合剂”，把原有业务流程中那些断裂的、缺失的环节全部接上，补齐了智能化道路上的最后一块短板。

当然，基于Skill的智能体（Skill-equipped Agents）能解决很多问题，但有两个隐患不容忽视。

第一，是对LLM持续的依赖、高昂的Token消耗和相对较低的推理性能。针对这个问题，要避免Skill智能体的滥用。实际上，大多数场景其实更适合用规则驱动（Rule-based）；即便一开始没有成形规则，随着时间推移也能总结出规律，这时就应该果断地将它们“脚本化”——也就是Skill2Script，用确定性的脚本替代不确定的模型处理，把依赖LLM的Skill变成一个可靠的程序。

第二，是安全问题，这包括供应链安全、运行时安全、信任层级与策略等，展开足以另起一文。但这里我想强调一个关键点：企业智能体最终要作用于企业系统。而根据前面的分析，智能体的运行世界正是本体这个脚手架。因此，本体对智能体提供的访问能力、接口能力的权限、管控和审计手段，是确保企业智能体安全可控运行的根本所在。

三、总结

智能体时代的企业数字世界，是一个人机融合、智能化的体系。而本体，就是这个世界的骨架。人（App）、机（Agent）和自动化流程，全都基于这一骨架来运转。

所谓“智能体本体”（Agentic Ontology），实际上包含两层含义。第一层：用智能体的手段去构建企业本体，这让企业本体能够在现实中真正落地。第二层：面向智能体应用去构建企业本体，此时本体就是Agent世界的模型，也是人机融合数字世界的脚手架（Scaffold）。

智能体，正是这一人机融合数字世界落地的关键。它不只是替代旧有工作环节，更关键的是，它补足了Rule-based数字系统一直以来的短板，实现了智能化流程真正的端到端落地。