DataFocus · 博客
面向 AI Agent 的業務本體:是什麼、包含什麼、什麼時候不該建
業務本體把一個業務領域的物件、關係、規則、動作和許可權建成人和 Agent 共用的一個模型。Agent 需要它來補上 schema 給不了的三樣東西:上下文、邊界和批准路徑。文末給出一條判斷何時不該建本體的規則。
業務本體是對一個業務領域持續維護的模型:這個領域處理哪些業務物件,這些物件在各個存放它們的系統之間如何關聯,當前生效的規則和指標口徑是什麼,可以對它們執行哪些動作,以及誰能看、誰能做。AI Agent 之所以需要它,是因為資料庫 schema 只回答“資料在哪”這一個問題。它不會告訴你三條“客戶 A”記錄裡哪幾條是同一家公司,“交付”在這家工廠指的是什麼,這位使用者能不能看成本價,一次更正要怎樣提出、怎樣批准。這正是模型進入企業後缺的三樣東西:上下文、邊界,以及在人的掌控下行動的能力。本體用人和 Agent 共用的同一個模型把三樣一起補上,所以它應當放在 Agent 之下,而不是塞進提示詞裡。
“本體”的兩層含義,以及對 Agent 真正要緊的那一層
正式的含義來自 W3C。OWL 2 Primer 是 2012 年 12 月 11 日釋出的 W3C 推薦標準,它把 OWL 2 描述為“一種面向語義網、具有形式化定義語義的本體語言”:類、屬性和公理,為推理而設計。
操作層面的含義來自平臺。Palantir Foundry 的文件(Ontology core concepts,以 2026 年 11 月文件為準)把 Ontology 稱為“對世界的一種分類”,並把物件型別定義為“現實世界中實體或事件的 schema 定義”。應用在這個模型上執行,如今 Agent 也是。DataFocus 用的就是這一層含義。DataFocus OT 中的“OT”即 Ontology(本體),其產品介紹這樣定義本體:“把企業的業務建成一個模型,包括業務物件和關係、規則和口徑、可以執行的動作,以及誰能看、誰能做。人和 AI 都在這個模型上工作。”
對 Agent 而言,有用的是操作層面的含義,而要記住的是定義裡的最後一句。Agent 拿到的不是模型的一份副本,也不是一段複述資料字典的提示詞。它操作的,就是人在控制面板上看到的同一個物件、同一條規則、同一項許可權。
模型裡有什麼
DataFocus 的產品介紹把一個本體限定在一個業務主題內,並以內建的“採購審批”本體為例展示五個組成部分。按介紹中的圖注,這張本體圖譜共 147 個節點、228 條關係,覆蓋 9 張表。
| 組成 | 存放什麼 | 在內建的採購審批本體裡 | 替 Agent 回答的問題 |
|---|---|---|---|
| 物件與關係 | 來自不同系統的資料表、表與表如何關聯、每條關係的業務含義,以本體圖譜呈現 | 採購申請、審批事件、路徑變體、瓶頸、合規偏差、整改任務、審計記錄 | 哪張表是客戶?它怎樣關聯到訂單? |
| 規則與知識 | 文件中心裡的制度、規則和指標口徑,各自關聯到它們約束的資料 | 合規規則、SLA 與瓶頸規則、事件日誌口徑、任務寫回與審計流程 | 哪條規則正在生效?它對哪些資料計算? |
| 指標 | 按計劃推送給指定人員的度量 | 按計劃推送指標 | 在盯什麼?誰在盯? |
| 動作 | 執行指令碼(計算、校驗、寫回)和控制面板上的業務動作 | 重新挖掘、生成整改任務、要求補證、關閉偏差、重開偏差 | 在這裡我能做什麼?每一項叫什麼? |
| 許可權 | 誰能看、誰能做 | 沿用已有的使用者、角色和資源許可權;Agent 按本體逐個授權 | 我能看什麼?依據誰的授權? |
有兩樣東西不在其中。沒有新建資料庫:本體架在已有的資料表之上,把含義、規則和控制附著上去。也沒有單獨的“AI 層”:每個本體都配有自己的本體智慧體,依據本體中的資料和文件作答,並附上依據。表格最後一列裡的每一個問題,直接架在原始 schema 上的 Agent 都只能靠猜來回答;下一節說明猜的代價。
schema 告訴不了 Agent 的事
DataFocus 的產品介紹用一句話點出問題:“AI 進企業,缺的不是模型。”三個缺口各有清晰的形狀,也各有獨立的證據。
上下文。 schema 把一列命名為 cust_id,卻不會說它是不是 CRM 裡的 account_id,也不會說本季度適用哪一版制度。這些知識躺在查詢引擎永遠不會讀的文件裡。基準測試量出了它的代價。Spider 2.0 收錄了 632 個真實企業場景的 Text-to-SQL 工作流問題,所涉資料庫常常超過 1,000 列;結果顯示,基於 o1-preview 的程式碼 Agent 框架只解決了 21.3% 的任務,而在更早的學術基準 Spider 1.0 上是 91.2%,在 BIRD 上是 73.0%(Lei 等,arXiv,2024 年釋出,2025 年修訂)。這個差距跨過了一代模型:BEAVER 基準取自私有企業資料倉儲(9,128 組問題—SQL 對,812 張表),報告使用 GPT-5.2 的最先進 Agent 框架準確率為 10.8%,給 Agent 提供子任務提示後升至 30.1%(arXiv,2024 年釋出,2026 年 5 月修訂)。在學術 schema 上接近滿分的模型,到了企業 schema 上就失靈;真正把數字抬起來的,是關於業務結構的提示。
邊界與行動。 模型天生沒有你的角色體系和資料分級的概念,連線串能看到什麼,它就能看到什麼。OWASP Top 10 for LLM Applications 2025 兩次點名這一後果:敏感資訊洩露(LLM02)和過度代理(LLM06)。OWASP 把過度代理歸因於三個根源——功能過多、許可權過大、自主性過高——並把高影響動作須經人工批准列入緩解措施。這三個根源正好對應上表的三個部分:具名的動作約束功能,隨模型走的許可權約束許可權,批准環節約束自主性。
一個示例:橫跨三套系統的“客戶 A”
設想一家中型分銷商(假設場景,所有內容均未在真實系統上執行)。它的 CRM 裡有賬戶 A-10492,名為“Acme Industrial Ltd”;ERP 裡有客戶 300871,名為“ACME INDUSTRIAL”;一份已簽署的框架協議以 PDF 存檔,簽約方寫作“Acme Industrial Limited”。一位經理問 Agent:“Acme 的未結訂單金額是多少?”
直接架在原始 schema 上,Agent 必須自行判定這三條記錄是同一家公司,猜出關聯鍵,再猜六種訂單狀態裡哪幾種算“未結”。猜對了,數字就是對的;猜錯了,數字就錯得很自信,而且回答裡沒有任何東西能讓經理分辨出是哪一種情況。
在本體上,這兩項判斷都已由各自的負責人做過一次:
- 資料負責人確認
A-10492、300871和合同上的法定名稱是同一個客戶物件,並以這些鍵關聯。 - 訂單到回款(order-to-cash)流程的負責人把“未結訂單”定義為一組確定的狀態,並關聯到訂單表。在 DataFocus 裡,口徑定義一次,搜尋分析、資料看板、控制面板、本體智慧體和外部 Agent 都用它,所以 Agent 給出的數字與看板一致。
- 第四條名稱相近的記錄保持獨立。DataFocus 官網演示寫明瞭反向規則:在 CRM、ERP 和合同之間的客戶標識對映得到確認之前,Agent 不會把兩個相似的名字當成同一家公司。
- 回答附帶推導過程。在 DataFocus OT 中,每次查詢都返回實際執行的 SQL、所用的資料表和資料指紋,審閱者可以重跑一遍,而不必憑信任接受。
已發表的證據表明這一層有幫助。data.world 2023 年在一個企業保險 schema 上做的基準測試發現,GPT-4 在零樣本提示下直接查詢 SQL 資料庫的準確率為 16%,同一組問題改在由本體和對映構建的知識圖譜上提問,準確率為 54%(Sequeda、Allemang 與 Jacob,arXiv,2023)。它的侷限:一個 schema,GPT-4 時代的模型,2023 年。它說明的是方向,不是一個可以指望的數字。能遷移的是機制:模型不再去猜關聯和定義,因為這一層已經把它們固定下來。
規則和動作要和資料放在同一個模型裡
寫在 wiki 裡的定義永遠到不了查詢。如果“準時交付”定義在一份制度檔案裡,卻在三張看板上用三種演算法計算,Agent 會挑其中一種,而你不會知道它挑了哪一種。DataFocus 把每條制度、規則和指標口徑關聯到它所約束的資料:在採購審批的例子裡,界定瓶頸的 SLA 規則掛在審批事件資料上,所以當 Agent 解釋一筆申請為什麼被標記時,規則和資料來自同一個模型。
規則還帶版本。在 DataFocus 官網基於模擬資料的演示場景中,一條售後規則從 24 小時響應改為 4 小時,9 月 25 日零點起生效。負責人批准之前,Agent 仍按 v1 作答;批准之後,新的查詢按 v2 執行,而 v1 下給出的答覆留在記錄裡,不會被改寫。有效時間和批准時間是兩個不同的事實,把它們混為一談的 Agent 會把歷史說錯。
動作遵循同樣的原則,OWASP 的第一個根源解釋了為什麼。一條資料庫連線從構造上就是功能過多:憑據允許的每一種寫入它都放行。採購審批本體則只暴露五個具名的業務動作,每一個都有明確的含義和效果,合起來就是“能做什麼”的完整清單。與“Agent 會寫出正確的 UPDATE”相比,這是一個更小、也更誠實的操作面。
自主性是最後被約束的一環。在 DataFocus OT 中,AI 想要改動什麼,只能提交草稿,經人批准後才生效。變更路徑是草稿 → 差異 → 校驗 → 批准 → 提交 → 讀回,而批准繫結的是具體的方案和基線版本:二者任一變化,都必須重新批准。在官網基於模擬資料的演示裡,一個 Coding Agent 提出草稿,包含 4 類物件、3 類關係和 1 項它拿不準的口徑,於是停下來問;它報告“源資料寫入 0 · 許可權不擴大”,並且不能批准自己的變更。這就是 OWASP 所說的人在迴路(Human-in-the-loop)緩解措施,只不過它是模型的一種屬性,而不是提示詞裡的一行字。
許可權與回執:交集規則
“人和 AI 都在這個模型上工作”在這裡變成了一條安全屬性。在 DataFocus OT 中,本體許可權沿用企業已有的使用者、角色和資源許可權,Agent 按本體逐個獲得授權。Agent 能拿到的,只是授權它的使用者所能看到的東西;超出授權的請求不會透露資料是否存在;撤銷訪問立即生效。
實際生效的範圍是一個交集:授權使用者的許可權,再收窄到 Agent 被授予的那些本體。一個被授予採購審批本體的採購 Agent 碰不到 HR 資料,即便授權它的使用者本人可以。官網演示展示了拒絕的形態:“在你的授權範圍內,沒有找到 O-1003。”不給內容,不給數量,也不說 O-1003 是否存在。可見範圍由身份決定,而不是由提問的措辭決定。
回執把閉環收緊。每次呼叫都記錄來源、定義和返回範圍;每次變更都記錄變更前後、差異和批准人,版本一變就要重新稽核。每次查詢有回執,每次變更有批准記錄,Agent 的每個動作都寫入審計日誌。如果你按照 NIST AI 風險管理框架(自願採用,圍繞治理、對映、度量、管理四項職能組織)開展工作,這些記錄就是“度量”和“管理”的原材料。沒有記錄下來的 Agent 行為,你無從審查。
什麼時候不該建本體
本體是一項承諾:要有人對物件負責、確認口徑、批准變更,這份成本並非處處值得。本體記錄決策,而不替你做決策;如果財務和銷售對“收入”各執一詞,先建模只會把爭論固化進去。沒人維護的模型會過時,而過時的口徑比沒有口徑更糟,因為 Agent 會信它、引它。正在探索新資料的分析師需要的是自由,不是受治理的物件。
三項測試,全部為“是”再動手:
| 測試 | 問題 | 若答“否” |
|---|---|---|
| 行動 | Agent 會在這裡改動什麼,還是隻讀? | 語義層或精選檢視可能就夠了 |
| 跨度 | 這個領域是否跨越多個記錄系統? | schema 加幾條口徑可能就夠了 |
| 負責人 | 能否點名一個人來確認口徑、批准變更? | 先別建模,它會腐爛 |
採購審批、訂單到回款和生產異常通常三項全過;一次臨時的市場分析通常過不了第一項和第三項。DataFocus 產品介紹建議的第一步遵循同樣的邏輯:挑一個有資料、有制度檔案、負責人明確的業務問題,建起這一個本體,讓業務使用者先用起來,再授權 Agent,然後再進入下一個業務領域。
下一步
OT 產品介紹完整描述了五個組成部分,包括採購審批本體和每條回答背後的 SQL 回執。兩個版本均免費發行;下載與版本頁說明 OT Flash 與 OT Heavy 的差別,並連結到安裝映象和發行說明。