从本体到AI原生，从知识库到Skills技能库

从本体论到AI原生应用，探索知识库与技能库的融合进化之路。

核心要点：
1. 本体论在AI原生应用中的关键作用与适用场景
2. 动态本体的误区与本体模型自我进化的实现路径
3. 知识库与技能库的本质区别及未来发展方向

关于本体论的应用场景，之前的讨论已多次涉及。无论是通过本体建模驱动AI原生应用的生成，还是借助本体模型实现应用的自然语义推理，其价值是明确的。但现实是，大多数企业已处于IT系统建设的末期，大规模新系统建设的需求并不多。因此，本体论真正能大显身手的场景，可以归结为一类：那些本身不产生大量数据，而是主要用来处理、使用数据，并将数据应用于安全、控制、分析、推理和预测的领域。

这类场景天然适合用本体论来验证并逐步推广。至于辅助决策类场景，传统BI系统一直是强项，本体论在其中并非决定性环节。但值得深思的是，那些只能辅助、无法真正决策，只能发现问题、不能解决问题的传统BI，其被替代的可能性正在增加。最近注意到国内一家对标Palantir的公司提出了“动态本体”的概念，声称比Palantir的本体论更先进。严格来说，并不存在“动态本体”这个独立的学术概念，我们也没有必要为了求新而创造新术语。甚至有人问，本体建模后的实例层数据是否就是动态本体？这反而容易造成更多混淆。需要关注的是，之前谈过本体论的自我进化，即为何要在本体论应用中引入类似Hermes那样的关键机制。本体建模后，在应用过程中根据模型拉取实例数据，进行分析推理，过程中可能会发现问题，也可能需要与人交互确认。借助AI大模型的能力，我们完全可以在问题解决后进一步复盘，自我优化和迭代底层的本体模型，让模型实现自我进化。这才是“本体模型+AI原生应用”的终极形态——不是靠人后续不断修补和迭代，而是本体与AI自我学习、自我成长。

许多人难以真正理解本体论的核心，往往是因为缺乏必要的前导知识。比如，如果你有软件开发、架构设计、业务需求分析、企业架构、业务建模、面向对象分析设计、领域建模、业务系统建设、传统BI或数据中台等方面的实战经验，那么就会更容易理解本体论究竟解决了什么问题，也更清楚为什么它和传统的业务建模、面向对象分析设计如此相似，却又要单独搞一个本体模型。一个关键点在于：传统的对象建模虽然包含了对象、行为和规则，但其目的是为了后续开发和系统生成，系统一旦上线运行，模型的作用就基本终结了。而本体建模构建的模型，其业务语义是同时交付到运行态的——在运行态，本体模型语义和正在运行的系统共存，而且这些语义是AI大模型容易理解的Schema文件定义。想清楚这一点，才能真正理解为什么一直强调“本体驱动”的AI原生应用。

最近与客户交流时遇到一个典型问题：既然大家都在构建Skills（技能），是否还有必要构建RAG智能知识库？

这个问题的关键在于，需要先重新界定“知识”与“技能”两个概念。知识，可以理解为在实践中沉淀下来、可重复使用的有用经验。而技能，则是基于具体场景调用和应用知识来解决问题的能力。用单一知识就能解决的问题，属于一般技能；需要组合多个单技能或知识才能解决的高级问题，则更接近方法论。同样，RAG和知识库是两个不同层次的概念：知识库是存储知识的实体，RAG只是AI时代更高效地检索和应用知识库的技术。所以，知识库一定是必需品，它是许多技能所需调用的基础数据。但是否一定要走传统的RAG路线，则不一定，比如当前主流的Agentic RAG、Full Text Research等，都是应用知识库的新模式。为了让知识库文档更适合AI使用，如前文所述，可以基于本体建模的思想对历史文档进行萃取，抽象出元模型，提炼知识卡片，并建立文档间的关联网络——就像GraphRAG的模式。最终构建一个带有业务语义的新型文档，直接交付给AI。这种文档可以理解为分层存储、分层记忆的文档，使AI能更高效地检索知识库信息。

Skills的构成可以概括为：

。做好一个Skills并不容易，它需要大量实践经验的沉淀，远非简单地把一个提示词包装成Skills就万事大吉。Skills的渐进披露机制，能让AI更高效地利用技能解决问题。值得注意的是，Skills与MCP之间相互独立，同时又可以相互引用：你可以在Skills中调用远程MCP Server提供的能力，也可以将自己的Skills发布为一个MCP Server，供大模型接入。如果不希望技能公开，那么采用Skills转MCP的方式发布即可。

最近翻看一份关于AI时代组织架构变革的资料，核心归结为两点：彻底的扁平化 + 端到端拉通。牵头人需要对整个目标、结果和过程负责，典型的模式可能是“一个人 + 多个AI Agent”协作完成复杂事务。说到这里，很多人会担心执行层人员会被大量裁撤。但客观来看，虽然执行层工作方式会改变，但依然需要人与AI协同、负责审核与确认。相比之下，那些长期脱离业务、只懂指手画脚的中层管理层，才真正需要大幅精简。不妨思考一个现实问题：把你业务中的执行层去掉，管理层仅凭借AI，能把所有事情搞定吗？大部分管理层人员长期脱离一线业务，已经不具备这种能力。

同样一件事，可能是管理层安排并提供思路，也可能是管理层下达目标、由执行层负责人提供思路。因此，真正被裁撤的一定是那些无法提供有价值思路的人，而不在于你处于管理层还是执行层。很多人做的事情其实价值有限，之所以忙忙碌碌，只是因为需要找点事做，让自己看起来“很忙”。经过这几年的观察，会发现大家应用AI的能力差异极大。AI工具本身复杂吗？显然不。真正的瓶颈在于个人历史知识的积累与沉淀太薄弱，无法为AI提供足够明确的前期输入——这个输入包括想法、结构、逻辑。没有这些，AI给出的只能是业界通用的标准答案，而不是结合你具体场景的针对性方案。可以预见的是，AI一定会让人走向两个极端：一个极端是使人更加懒于思考而逐渐荒废，另一个极端是利用AI辅助学习，完成个人的自我进化。其中起决定性作用的，正是你的探索精神和洞察力。