导读过去两年，行业几乎把所有注意力都给了大模型：参数更大、上下文更长、推理更强。但真正将系统部署到企业生产环境的人，很快会遇到另一组问题：模型会说，但不一定真懂业务；能调工具，但不一定调对流程；回答像那么回事，结论却可能在时间、口径、角色关系上悄悄跑偏。4 月 24 日，在“OpenKG × DataFun：开源类 Palantir 平台中国路径”闭门交流会上，核心讨论回答了一个更现实的问题：在大模型时代，企业到底缺的那一层是什么。闭门研讨给出的判断很直接——缺的不是模型能力，而是统一、可计算、可演化的语义结构。

主要内容包括以下几个部分：

1. 从 Richard Sutton 的《苦涩的教训》重新理解知识工程

2. 为什么还需要本体：它更像 AI 的语义操作系统

3. OpenKG 的实践启示

4. 真正的难点不在技术，而在组织现实

5. 企业级智能体正在形成两种落地路径

6. 为什么开源可能是更现实的推进路径

出品社区｜DataFun、OpenKG

---

🚀 深入探索Palantir方法论，获取独家电子书

如果您对Palantir的本体论方法、企业AI落地路径或决策核心系统的未来感兴趣，我们为您准备了独家内容——《告别“数据后视镜”：Palantir 战略价值与落地案例分享》。

这本12万字的深度研究报告，系统拆解了Palantir的核心方法论壁垒，并汇集了AIPCon 1-8最具代表性的前沿实战案例，是理解下一代企业软件形态不可多得的实战指南。

📥 扫码免费获取电子书：

01

从 Richard Sutton 的《苦涩的教训》重新理解知识工程

Richard Sutton 在《The Bitter Lesson》里讲过一个后来被反复验证的事实：长期真正有效的方法，往往不是把人的经验一点点硬塞进系统，而是那些能持续利用算力扩展的通用方法，也就是搜索与学习。棋类、语音、视觉一路走来，几乎都在证明这一点。大模型的崛起，本质上也是这条路线的胜利。

但把这句话理解成“知识不重要了”，其实是误读。Sutton 所反对的，并不是知识本身，而是那种高度依赖人工穷举、维护成本高、且不利于系统持续扩展的知识注入方式。今天的大模型已经足够强，可一旦进入法律、医疗、金融、政务这类高要求场景，幻觉、逻辑错位、数值错位、时空错位依然会带来真实风险。这场讨论一开头就把这个问题摆得很清楚：人工智能知识系统正在演进，但“知识表示—知识规模—推理能力”之间的张力并没有消失，只是换了一种形式重新出现了。

也正是在这里，本体工程重新获得了新的位置。今天重提本体，不是要回到专家系统时代，不是重新迷信一套无所不能的 schema，而是要给大模型补上一层“骨架与护栏”。有个说法很准确：知识工程并没有消失，而是在大模型时代以新的形式重构：从“人工编码知识”转向“构建可计算、可演化的语义基础设施”。

02

为什么还需要本体：它更像 AI 的语义操作系统

在闭门会上，大家谈到本体在 AI 时代的角色时，一个比喻引发了很多共鸣：今天的本体，越来越像 AI 世界里的“语义操作系统”或“语义编译器”。

这背后对应的，并不是一个抽象的技术命题，而是企业内部长期存在、却在 AI 时代被进一步放大的核心矛盾：企业真正缺的往往不是数据，而是业务、数据与技术之间缺少一套共同语言。

也正因为如此，今天再谈本体，其意义已经完全不同。它不再只是象牙塔中的知识工程，而是被大模型与智能体广泛落地之后，重新推到台前的一层关键基础设施。

因此，今天的本体，不能只被理解为一本术语词典。它更像是一套可运行的语义系统：管理概念、关系、约束、角色、事件与动作，把“客户”“合同”“风险”“疗程”“审批”这些原本停留在文本中的业务对象，转化为系统能够理解、追踪并执行的语义单元。

从这个意义上说，本体与模型并不是对立关系，而是分工协同：模型负责理解、生成与适应复杂情境，本体负责定义语义边界、稳定业务结构并约束关键动作。只有二者结合，AI 才可能真正从“能对话”走向“能理解、能执行”。

讨论中凝练出的六点核心判断，恰好说明了这层必要性：

1. 解决企业内部“同一件事讲不清楚”的问题

企业内部长期存在的一个核心问题是：同一件事，在业务、数据和技术体系中常常对应着不同的定义、口径和表达方式。问题的关键并不在于数据不足，而在于缺少一套能够跨部门、跨系统、跨角色对齐认知的语义结构。本体的作用，正是为这种对齐提供稳定基础，并进一步支撑企业数据的一致性。

2. 没有统一的语义底座，大模型与智能体很难真正进入企业业务场景

智能体 本身缺乏统一的语义底座，没有共享的概念层与规则层，就难以真正理解企业业务、组织与数据，幻觉与错配频发。本体作为这一语义底座，使 智能体 从"可对话"走向"可理解、可执行"。

3. 传统静态 Schema 难以适应持续变化的业务现实

传统数仓 Schema 静态僵化，业务一变就脱节。本体（尤其 LPG/SPG（Semantic-enhanced Programmable Graph） 思路）天然能吸收业务的动态变化，是支撑企业长期演进的语义结构。

4. 本体必须从“描述世界”升级为“支撑行动”

未来真正有价值的本体是“可行动的本体（Actionable Ontology）”：连接数据、API、模型与智能体，让 AI 能听懂业务、找到正确接口、完成正确动作，而不仅是展示知识。

5. 在 AI 时代，本体有可能成为企业重要的私有壁垒之一

当通用大模型越来越强，企业越需要沉淀属于自己的语义结构、业务模型与行业逻辑，否则数据、知识与组织能力会被快速“透明化”。本体是企业私有壁垒的关键载体。

6. 现在不做，语义层的窗口可能再次错过

大模型让“语义层”重新成为刚需，但社区与生态如果不持续推动，本体可能再次错过窗口。其紧迫性不在于技术，而在于生态是否还来得及形成。

🚀 深入探索Palantir方法论，获取独家电子书

如果您对Palantir的本体论方法、企业AI落地路径或决策核心系统的未来感兴趣，我们为您准备了独家内容——《告别“数据后视镜”：Palantir 战略价值与落地案例分享》。

这本12万字的深度研究报告，系统拆解了Palantir的核心方法论壁垒，并汇集了AIPCon 1-8最具代表性的前沿实战案例，是理解下一代企业软件形态不可多得的实战指南。

📥 扫码免费获取电子书：

03

OpenKG 的实践启示

进一步看，如果说本体是 AI 时代的“语义操作系统”，那么围绕这一底座，一套更现代的知识基础设施也正在形成。

以 OpenKG相关实践为例，SPG（Semantic-enhanced Programmable Graph）试图把企业中的数据、语义、规则与动作统一到一张可编排、可演化的图中，使本体不再停留于静态定义，而成为能够承接业务建模与决策执行的核心语义层。

在此基础上，KAG（Knowledge Augmented Generation）进一步把结构化知识与大模型推理结合起来，通过逻辑形式引导检索、分解与求解，增强生成过程中的可控性与可靠性，从而缓解传统 RAG 在时空关联、指代消解与逻辑链条上的失真问题。

而 SkillNet 则把知识进一步沉淀为可复用的技能单元，将“知道是什么”推进到“知道怎么做”，为智能体在复杂场景中的任务执行提供了更细粒度的能力组织方式。

如果再把视野扩展到与这一方向相衔接的系统层能力，MemOS 所代表的记忆操作系统思路，则进一步回答了智能体如何管理长期记忆、持续学习与自我更新的问题，使语义层、技能层与记忆层能够共同支撑 AI 从一次性问答走向长期可演化的智能执行。

04

真正的难点不在技术，而在组织现实

闭门会上，谈到本体建设为何长期“知道重要，却迟迟难以推进”时，大家很快形成了一个共识：真正的卡点，往往不在技术本身，而在组织现实。 一位与会者的话引发了普遍共鸣：“这件事大家都知道重要，但真到要启动的时候，往往谁都不愿意先迈出第一步。”

这种迟疑并非偶然，而是由一系列现实因素共同造成的

首先，业务驱动力普遍不足。

多数业务部门更关心“眼前的问题能否被解决”“我要的数据能不能尽快跑出来”，而不是跨部门的语义一致性和长期的数据治理能力。结果往往是，本体建设主要由技术团队推动，却缺少业务侧持续参与、共同定义和后续维护，难以真正扎根。

其次，跨部门协同的门槛远高于技术实现本身。

在许多大型企业中，部门边界往往同时也是数据边界、职责边界乃至利益边界。统一概念、统一口径、统一关系，看似是建模问题，实则首先是协调问题。图谱能不能连起来，很多时候不取决于技术方案，而取决于组织是否愿意打通边界。

再次，ROI 不清晰，削弱了企业投入意愿。

本体的价值通常体现在一致性、复用性、可扩展性和长期智能化能力上，这些收益往往隐性、滞后，而且难以直接量化。对于企业而言，“是不是值得现在投入”常常缺乏清晰答案，这也是许多项目停留在认知层、难以进入预算层的重要原因。

同时，软件价值长期被低估，也是一个不容回避的现实。

在“重硬轻软”的市场环境下，本体这类高知识密度、强方法论驱动的软件能力，往往不容易被理解为可以持续付费的核心资产，更难被接受为一类值得长期建设的基础设施。

这进一步导致商业模式陷入两难。

标准化产品往往难以满足企业的差异化需求，市场接受度有限；而过度定制又容易使本体建设沦为低毛利、难沉淀的项目型交付，最终回到外包逻辑，既难形成产品能力，也难形成规模效应。

人才结构的稀缺，则抬高了落地门槛。

本体建设需要的不只是知识工程师，也不只是算法工程师，而是同时理解业务、数据、语义建模与 AI 应用的复合型人才。这样的人本就稀缺，能够长期承担抽象、建模、协同和演进工作的人更少。

更深一层的问题，是技术范式本身也需要更新。

传统本体强调完整定义、先建模后使用、追求一次性构建的严密体系，这种思路在今天已经显得过重、过慢。AI Native 时代真正需要的，不是一个静态、封闭、一次成型的知识体系，而是一个轻量、敏捷、可演化、能够持续与业务共同生长的语义底座。

因此，无论开源还是闭源，都不可能单独解决问题。

闭源 To B 模式反馈链条长、信任建立慢；开源虽然更容易聚集关注，但也常常面临组件复杂、部署门槛高、社区组织弱的问题。对中国本体生态而言，更现实的路径可能不是押注单一模式，而是探索“开源底座 + 行业试点 + 生态联盟”的组合式推进。

归根到底，今天真正缺的，往往不是需求，而是愿意率先行动的人。

很多企业并不是不理解本体的价值，相反，它们听得懂，也认可其方向；但一旦进入场景梳理、预算投入、组织协调和人员配置阶段，犹豫就会出现。因而，本体能否真正走向落地，关键不只是技术是否成熟，而是能否出现一批愿意先做、敢于先做、也有能力先做的关键行动者。

🚀 深入探索Palantir方法论，获取独家电子书

如果您对Palantir的本体论方法、企业AI落地路径或决策核心系统的未来感兴趣，我们为您准备了独家内容——《告别“数据后视镜”：Palantir 战略价值与落地案例分享》。

这本12万字的深度研究报告，系统拆解了Palantir的核心方法论壁垒，并汇集了AIPCon 1-8最具代表性的前沿实战案例，是理解下一代企业软件形态不可多得的实战指南。

📥 扫码免费获取电子书：

05

企业级智能体正在形成两种落地路径

在从当前企业级智能体的落地实践看，行业正在形成两种具有代表性的路径：一种是以 Palantir 为代表的“本体优先”路径，另一种是以 Claude 相关实践为代表的“模型优先”路径。 二者并非简单的技术选型差异，而是两套不同的方法论：前者强调先建立稳定、可控、可审计的语义骨架，再让模型在其上运行；后者则以基座模型为核心，通过Context Graph来组织外挂知识、并增强工具调用和工作流编排能力，追求更强的泛化与更快的落地速度。

更重要的是，未来真正有竞争力的企业级智能体，大概率不是二选一，而是二者的融合。 正如图中所展示的“灰度融合”，本体更适合充当确定性的“骨架与护栏”，负责定义概念边界、业务约束与安全规则；模型则更适合充当创造性的“大脑与引擎”，负责理解语境、生成方案与驱动交互。企业真正需要的，不是在两者之间做非此即彼的取舍，而是找到一条兼顾可控性与泛化能力、稳定性与灵活性的协同路径。

06

为什么开源可能是更现实的推进路径

正因如此，本体工程如果继续停留在各家各做一套、各自封闭演化的状态里，大概率只会重演过去的故事：概念体系彼此割裂，工具链无法复用，行业难以形成真正可积累、可协同、可扩展的语义基础设施。

它之所以必须走向开源，不是因为开源更时髦，而是因为这件事天然依赖共享底座。无论是语义可编程图的构建工具、知识增强的推理框架，还是技能编排与记忆管理能力，都不应长期停留在封闭孤立的体系中。只有在开放协作中持续沉淀，语义层、模型层与执行层之间才可能真正衔接起来，而不是各自在局部系统里自洽。

这也正是 DataFun 与 OpenKG 联合推动这一方向的意义所在。围绕 OpenSPG、KAG、SkillNet、MemOS 等项目，已经能够看到一条逐渐清晰的雏形：把语义建模、知识增强、技能组织与记忆系统，慢慢接成一条可演进的链路，而不是继续把本体停留在论文、概念和 PPT 里。

只有当这样的能力链条以开源方式沉淀为行业公共层，企业级智能体才可能真正走向务实落地：骨架有共识，引擎可替换，能力可组合，系统可演进。

结语：这一次，不要只讨论本体，而要把语义底座真正做出来

大模型会越来越强，这一点几乎没有悬念。

但企业最终需要的，从来不只是一个更会聊天的模型，而是一套能够稳定理解业务、可靠执行流程、持续沉淀知识、明确约束行动的智能基础设施。

沿着这条线看，本体不是过时了，而是终于找到了新的位置：它不再只是静态知识表示，而正在成为 AI 系统中的语义操作系统。

如果这件事值得做，下一步就不应停留在“本体是不是老概念”的争论里，而应真正把代码、数据、标准与行业场景组织起来，把语义底座做成工程、做成系统、做成生态。

欢迎做大模型落地的人，把那些答不稳、调不准、难审计的问题拿出来；也欢迎长期从事知识图谱、数据治理和行业系统建设的人，把多年积累的业务语义能力重新接入智能体时代。

AI 时代符合中国现实的本体工程，不会凭空出现。它只能在社区协作、开源共建和真实场景的反复打磨中，被一点一点做出来。

技术栈参考：

语义引擎：https://github.com/OpenSPG/KAG-Thinker

记忆中枢：https://github.com/MemTensor/MemOS

技能仓库：https://skillnet.openkg.cn

本文部分观点与素材源自 DataFun 与 OpenKG 联合内部研讨分享

以上就是本次分享的内容，谢谢大家。

往期推荐

RECOMMEND

1

技术动态 | Ontology本体驱动Agent究竟是个啥？技术起底及静态、动态本体怎么区分？

2

论文浅尝 | ORT：本体引导的逆向思维增强大模型知识图谱问答能力（ACL 2025）

3

Palantir引爆的本体论热潮，是企业AI“开窍”的关键吗？

---

OpenKG

OpenKG（中文开放知识图谱）旨在推动以中文为核心的知识图谱数据的开放、互联及众包，并促进知识图谱算法、工具及平台的开源开放。

点击阅读原文，进入 OpenKG 网站。