DataFocus
简体中文
← 返回博客

DataFocus · 博客

面向 AI Agent 的业务本体:是什么、包含什么、什么时候不该建

业务本体把一个业务领域的对象、关系、规则、动作和权限建成人和 Agent 共用的一个模型。Agent 需要它来补上 schema 给不了的三样东西:上下文、边界和批准路径。文末给出一条判断何时不该建本体的规则。

业务本体是对一个业务领域持续维护的模型:这个领域处理哪些业务对象,这些对象在各个存放它们的系统之间如何关联,当前生效的规则和指标口径是什么,可以对它们执行哪些动作,以及谁能看、谁能做。AI Agent 之所以需要它,是因为数据库 schema 只回答“数据在哪”这一个问题。它不会告诉你三条“客户 A”记录里哪几条是同一家公司,“交付”在这家工厂指的是什么,这位用户能不能看成本价,一次更正要怎样提出、怎样批准。这正是模型进入企业后缺的三样东西:上下文、边界,以及在人的掌控下行动的能力。本体用人和 Agent 共用的同一个模型把三样一起补上,所以它应当放在 Agent 之下,而不是塞进提示词里。

“本体”的两层含义,以及对 Agent 真正要紧的那一层

正式的含义来自 W3C。OWL 2 Primer 是 2012 年 12 月 11 日发布的 W3C 推荐标准,它把 OWL 2 描述为“一种面向语义网、具有形式化定义语义的本体语言”:类、属性和公理,为推理而设计。

操作层面的含义来自平台。Palantir Foundry 的文档(Ontology core concepts,以 2026 年 11 月文档为准)把 Ontology 称为“对世界的一种分类”,并把对象类型定义为“现实世界中实体或事件的 schema 定义”。应用在这个模型上运行,如今 Agent 也是。DataFocus 用的就是这一层含义。DataFocus OT 中的“OT”即 Ontology(本体),其产品介绍这样定义本体:“把企业的业务建成一个模型,包括业务对象和关系、规则和口径、可以执行的动作,以及谁能看、谁能做。人和 AI 都在这个模型上工作。”

对 Agent 而言,有用的是操作层面的含义,而要记住的是定义里的最后一句。Agent 拿到的不是模型的一份副本,也不是一段复述数据字典的提示词。它操作的,就是人在控制面板上看到的同一个对象、同一条规则、同一项权限。

模型里有什么

DataFocus 的产品介绍把一个本体限定在一个业务主题内,并以内置的“采购审批”本体为例展示五个组成部分。按介绍中的图注,这张本体图谱共 147 个节点、228 条关系,覆盖 9 张表。

组成 存放什么 在内置的采购审批本体里 替 Agent 回答的问题
对象与关系 来自不同系统的数据表、表与表如何关联、每条关系的业务含义,以本体图谱呈现 采购申请、审批事件、路径变体、瓶颈、合规偏差、整改任务、审计记录 哪张表是客户?它怎样关联到订单?
规则与知识 文档中心里的制度、规则和指标口径,各自关联到它们约束的数据 合规规则、SLA 与瓶颈规则、事件日志口径、任务写回与审计流程 哪条规则正在生效?它对哪些数据计算?
指标 按计划推送给指定人员的度量 按计划推送指标 在盯什么?谁在盯?
动作 执行脚本(计算、校验、写回)和控制面板上的业务动作 重新挖掘、生成整改任务、要求补证、关闭偏差、重开偏差 在这里我能做什么?每一项叫什么?
权限 谁能看、谁能做 沿用已有的用户、角色和资源权限;Agent 按本体逐个授权 我能看什么?依据谁的授权?

有两样东西不在其中。没有新建数据库:本体架在已有的数据表之上,把含义、规则和控制附着上去。也没有单独的“AI 层”:每个本体都配有自己的本体智能体,依据本体中的数据和文档作答,并附上依据。表格最后一列里的每一个问题,直接架在原始 schema 上的 Agent 都只能靠猜来回答;下一节说明猜的代价。

schema 告诉不了 Agent 的事

DataFocus 的产品介绍用一句话点出问题:“AI 进企业,缺的不是模型。”三个缺口各有清晰的形状,也各有独立的证据。

上下文。 schema 把一列命名为 cust_id,却不会说它是不是 CRM 里的 account_id,也不会说本季度适用哪一版制度。这些知识躺在查询引擎永远不会读的文档里。基准测试量出了它的代价。Spider 2.0 收录了 632 个真实企业场景的 Text-to-SQL 工作流问题,所涉数据库常常超过 1,000 列;结果显示,基于 o1-preview 的代码 Agent 框架只解决了 21.3% 的任务,而在更早的学术基准 Spider 1.0 上是 91.2%,在 BIRD 上是 73.0%(Lei 等,arXiv,2024 年发布,2025 年修订)。这个差距跨过了一代模型:BEAVER 基准取自私有企业数据仓库(9,128 组问题—SQL 对,812 张表),报告使用 GPT-5.2 的最先进 Agent 框架准确率为 10.8%,给 Agent 提供子任务提示后升至 30.1%(arXiv,2024 年发布,2026 年 5 月修订)。在学术 schema 上接近满分的模型,到了企业 schema 上就失灵;真正把数字抬起来的,是关于业务结构的提示。

边界与行动。 模型天生没有你的角色体系和数据分级的概念,连接串能看到什么,它就能看到什么。OWASP Top 10 for LLM Applications 2025 两次点名这一后果:敏感信息泄露(LLM02)和过度代理(LLM06)。OWASP 把过度代理归因于三个根源——功能过多、权限过大、自主性过高——并把高影响动作须经人工批准列入缓解措施。这三个根源正好对应上表的三个部分:具名的动作约束功能,随模型走的权限约束权限,批准环节约束自主性。

一个示例:横跨三套系统的“客户 A”

设想一家中型分销商(假设场景,所有内容均未在真实系统上运行)。它的 CRM 里有账户 A-10492,名为“Acme Industrial Ltd”;ERP 里有客户 300871,名为“ACME INDUSTRIAL”;一份已签署的框架协议以 PDF 存档,签约方写作“Acme Industrial Limited”。一位经理问 Agent:“Acme 的未结订单金额是多少?”

直接架在原始 schema 上,Agent 必须自行判定这三条记录是同一家公司,猜出关联键,再猜六种订单状态里哪几种算“未结”。猜对了,数字就是对的;猜错了,数字就错得很自信,而且回答里没有任何东西能让经理分辨出是哪一种情况。

在本体上,这两项判断都已由各自的负责人做过一次:

  1. 数据负责人确认 A-10492、300871 和合同上的法定名称是同一个客户对象,并以这些键关联。
  2. 订单到回款(order-to-cash)流程的负责人把“未结订单”定义为一组确定的状态,并关联到订单表。在 DataFocus 里,口径定义一次,搜索分析、数据看板、控制面板、本体智能体和外部 Agent 都用它,所以 Agent 给出的数字与看板一致。
  3. 第四条名称相近的记录保持独立。DataFocus 官网演示写明了反向规则:在 CRM、ERP 和合同之间的客户标识映射得到确认之前,Agent 不会把两个相似的名字当成同一家公司。
  4. 回答附带推导过程。在 DataFocus OT 中,每次查询都返回实际执行的 SQL、所用的数据表和数据指纹,审阅者可以重跑一遍,而不必凭信任接受。

已发表的证据表明这一层有帮助。data.world 2023 年在一个企业保险 schema 上做的基准测试发现,GPT-4 在零样本提示下直接查询 SQL 数据库的准确率为 16%,同一组问题改在由本体和映射构建的知识图谱上提问,准确率为 54%(Sequeda、Allemang 与 Jacob,arXiv,2023)。它的局限:一个 schema,GPT-4 时代的模型,2023 年。它说明的是方向,不是一个可以指望的数字。能迁移的是机制:模型不再去猜关联和定义,因为这一层已经把它们固定下来。

规则和动作要和数据放在同一个模型里

写在 wiki 里的定义永远到不了查询。如果“准时交付”定义在一份制度文件里,却在三张看板上用三种算法计算,Agent 会挑其中一种,而你不会知道它挑了哪一种。DataFocus 把每条制度、规则和指标口径关联到它所约束的数据:在采购审批的例子里,界定瓶颈的 SLA 规则挂在审批事件数据上,所以当 Agent 解释一笔申请为什么被标记时,规则和数据来自同一个模型。

规则还带版本。在 DataFocus 官网基于模拟数据的演示场景中,一条售后规则从 24 小时响应改为 4 小时,9 月 25 日零点起生效。负责人批准之前,Agent 仍按 v1 作答;批准之后,新的查询按 v2 执行,而 v1 下给出的答复留在记录里,不会被改写。有效时间和批准时间是两个不同的事实,把它们混为一谈的 Agent 会把历史说错。

动作遵循同样的原则,OWASP 的第一个根源解释了为什么。一条数据库连接从构造上就是功能过多:凭据允许的每一种写入它都放行。采购审批本体则只暴露五个具名的业务动作,每一个都有明确的含义和效果,合起来就是“能做什么”的完整清单。与“Agent 会写出正确的 UPDATE”相比,这是一个更小、也更诚实的操作面。

自主性是最后被约束的一环。在 DataFocus OT 中,AI 想要改动什么,只能提交草稿,经人批准后才生效。变更路径是草稿 → 差异 → 校验 → 批准 → 提交 → 读回,而批准绑定的是具体的方案和基线版本:二者任一变化,都必须重新批准。在官网基于模拟数据的演示里,一个 Coding Agent 提出草稿,包含 4 类对象、3 类关系和 1 项它拿不准的口径,于是停下来问;它报告“源数据写入 0 · 权限不扩大”,并且不能批准自己的变更。这就是 OWASP 所说的人在回路(Human-in-the-loop)缓解措施,只不过它是模型的一种属性,而不是提示词里的一行字。

权限与回执:交集规则

“人和 AI 都在这个模型上工作”在这里变成了一条安全属性。在 DataFocus OT 中,本体权限沿用企业已有的用户、角色和资源权限,Agent 按本体逐个获得授权。Agent 能拿到的,只是授权它的用户所能看到的东西;超出授权的请求不会透露数据是否存在;撤销访问立即生效。

实际生效的范围是一个交集:授权用户的权限,再收窄到 Agent 被授予的那些本体。一个被授予采购审批本体的采购 Agent 碰不到 HR 数据,即便授权它的用户本人可以。官网演示展示了拒绝的形态:“在你的授权范围内,没有找到 O-1003。”不给内容,不给数量,也不说 O-1003 是否存在。可见范围由身份决定,而不是由提问的措辞决定。

回执把闭环收紧。每次调用都记录来源、定义和返回范围;每次变更都记录变更前后、差异和批准人,版本一变就要重新审核。每次查询有回执,每次变更有批准记录,Agent 的每个动作都写入审计日志。如果你按照 NIST AI 风险管理框架(自愿采用,围绕治理、映射、度量、管理四项职能组织)开展工作,这些记录就是“度量”和“管理”的原材料。没有记录下来的 Agent 行为,你无从审查。

什么时候不该建本体

本体是一项承诺:要有人对对象负责、确认口径、批准变更,这份成本并非处处值得。本体记录决策,而不替你做决策;如果财务和销售对“收入”各执一词,先建模只会把争论固化进去。没人维护的模型会过时,而过时的口径比没有口径更糟,因为 Agent 会信它、引它。正在探索新数据的分析师需要的是自由,不是受治理的对象。

三项测试,全部为“是”再动手:

测试 问题 若答“否”
行动 Agent 会在这里改动什么,还是只读? 语义层或精选视图可能就够了
跨度 这个领域是否跨越多个记录系统? schema 加几条口径可能就够了
负责人 能否点名一个人来确认口径、批准变更? 先别建模,它会腐烂

采购审批、订单到回款和生产异常通常三项全过;一次临时的市场分析通常过不了第一项和第三项。DataFocus 产品介绍建议的第一步遵循同样的逻辑:挑一个有数据、有制度文件、负责人明确的业务问题,建起这一个本体,让业务用户先用起来,再授权 Agent,然后再进入下一个业务领域。

下一步

OT 产品介绍完整描述了五个组成部分,包括采购审批本体和每条回答背后的 SQL 回执。两个版本均免费发行;下载与版本页说明 OT Flash 与 OT Heavy 的差别,并链接到安装镜像和发行说明。