首页 文章 精选 留言 我的

精选列表

搜索[erp],共3135篇文章
优秀的个人博客,低调大师

本体驱动ERP|47个Agent,26个是幽灵:你的公司是不是也成了Agent垃圾场?

# 去年帮一家做供应链的公司做 Agent 盘点,47 个里 **26 个是"幽灵"**。 还在跑,还占着 GPU,但没人知道它在干嘛、有没有人在用。最狠的一个,三个月前接口就调不通了,下游三个 Agent 照调不误,吐了一整季的错数据,等发现时月结已经错两轮了。 老板问我:"我们不是在做 AI 吗,怎么做成垃圾场了?" 我没法反驳。Agent 这两年从"概念"变成"标配",每个部门都搞一个,搞完就扔那。等数量过 20,管理成本就开始反超开发成本。这事我见过太多次了,今天把它讲透。 我见过的四种死法 死法一:幽灵 Agent 白烧钱 盘那家公司时,47 个里只有 21 个还在被真实调用,剩下 26 个全是"幽灵",还占着算力,但输入输出没人说得清,有没有人用也没人知道。你不敢停,怕停了哪个业务线突然炸;也不敢动,怕动了牵出更深的坑。最狠的那个幽灵,静默失败吐错数据,月结错两轮才被发现。 死法二:功能重复到离谱 市场部有个"竞品分析 Agent",战略部有个"对手监测 Agent",产品部有个"行业扫描 Agent"——干的事八成重叠,各自调各自的 API,各自存各自的结果。三个 Agent 一个月花掉的 token 费,加起来够建一个做得更好的。钱不是问题,问题是谁都不觉得自己在重复。 死法三:调用链一团浆糊 Agent A 调 B,B 又调 C,C 的输出被 D 消费。出了问题想排查,得顺着调用链一层层找,比微服务的依赖链还乱。我见过一个 Agent 改了输出格式,下游三个 Agent 全挂,几个人排查了一下午,最后发现根因在没人记得的那个节点。 死法四:权限和安全裸奔 每个 Agent 各自配各自的 API Key 和数据库权限,没人统一管。有的 Agent 拿了全库读写权限,却只用来做查询。你问安全团队这些 Agent 都有什么权限,他们两眼一黑——**不知道**。这不是疏忽,是根本没有"谁有权"这张表。 先泼盆冷水:你真需要这么多 Agent 吗 看到这你可能觉得:赶紧上注册中心,把 47 个管起来。但我得先泼盆冷水——**注册中心不是让你继续囤 Agent 的借口,它的第一个作用,是帮你发现该砍哪些。** 那家供应链公司盘完,我第一反应也是"你们太乱了得有个中心"。但冷静下来想,47 个里真正高频用的就十来个,剩下大半是某个周末 PoC 跑通了就忘了下线。问题不是"管不住",是"根本不该生出来"。 所以先回答你心里的疑问:**什么时候才真的需要多个 Agent?** **1. 单 Agent 撞墙时。**一个对话装不下所有上下文(邮件历史 + 日历 + 工单 + CRM 全塞进去,质量直线掉);或者它在"查资料、写代码、改文案"之间反复横跳,每样都做不精;或者任务天然要并行(同时调研 10 个竞品),一个 Agent 只能串行干等。 **2. 要故障隔离时。**一个环节挂了,不想拖垮整条线。拆成独立 Agent,挂的就挂,别的照跑。 **3. 要成本分层时。**分诊用便宜模型,综合用强模型。一个 Agent 没法"便宜和贵自己切"。 反过来,**什么情况根本不需要多 Agent**:一个边界清晰、工具齐备的单 Agent 能干掉 80% 的需求。我见过团队把"合同审查""条款比对""风险标注"拆成三个 Agent,其实就是**一个 Agent + 三个工具**的事。拆完不仅没快,还多了一堆要协调的接口。 一句话:**建得多不是能力,管得住才是。**注册中心先帮你做减法,再帮你做加法。 你现在的 Agent 世界,大概长这样: 现在的 Agent 世界市场部Agent战略部Agent客服Agent幽灵Agent?没人管权限裸奔调用链无人知有注册中心之后Agent注册中心市场部战略部客服审批运维监控安全审计本体库受控可追踪你差的,就是这一步 图:左是现在的 Agent 世界(乱调、裸奔、无人知),右是挂了注册中心之后(统一收口、可追踪、受控) 微服务那套为啥不够 看到这,搞过微服务的兄弟会说:不就是 Eureka / Nacos 换皮吗?我还真研究过,**不一样**。微服务注册的是"地址",Agent 注册的是"能力"。 微服务时代,服务 A 调 B 是代码里写死的,调某个接口,传 JSON,拿 JSON,参数和签名都固定,调用方被调用方强耦合。Agent 不一样:Agent A 让 B 帮忙,说的是自然语言意图,不是 API 调用;B 可能用不同方式响应,返回也不是固定 schema。这个"意图 → 能力匹配 → 路由 → 执行"的过程,微服务注册中心根本搞不定。 |维度|微服务注册中心|Agent 注册中心| | --- | --- | --- | |注册内容|服务地址 + 端口|能力描述 + 输入输出语义| |发现方式|按服务名查找|按意图 / 能力匹配| |调用方式|固定接口 + JSON|自然语言意图 + 结构化输出| |路由依据|负载均衡 + 健康检查|能力匹配 + 策略 + 成本| |版本管理|API 版本号|能力版本 + prompt 版本| 注册中心到底管哪四件事 说白了,它就是 Agent 的"户籍系统"。每个 Agent 上线前先来登记,下线前先注销,调别人先来查地址。具体四件事: **1. 注册与发现。**上线时声明自己叫什么、能干什么、输入输出是什么、在哪能找到。别硬编码地址,查注册中心就行。 **2. 能力目录。**按业务域分类,列出所有 Agent 的能力。新需求来了先查目录,有没有现成能力能复用——这一步是灭掉"功能重复建设"的关键。 **3. 调用链追踪。**谁调了谁、什么时候调的、传了什么、返回了什么,全记下来。出问题能快速定位是哪个环节断的,而不是排查一下午。 **4. 权限与策略管理。**统一管理访问权限、调用频率、资源配额。谁能调谁、一次调多少、超时怎么办,都在这配——权限裸奔这事就从源头堵了。 能力描述写差了,等于白注册 注册中心最核心的不是路由,是**能力描述怎么写**。写差了,Agent 搜不到,等于没注册。 我见过大多数团队的做法是写一句话:"这个 Agent 做合同审查"。这跟没写差不多。市场部的"竞品分析"和战略部的"对手监测"都写一句话,你根本看不出来它俩重复了。 我的经验是分三层写: ``` { "agent_id": "contract-review-v2", "name": "合同条款审查 Agent", "domain": "法务", "capability": { "intent": "审查合同条款的合规性和风险", "input_schema": { "contract_text": "string, 合同全文", "review_focus": "enum[风险条款, 合规检查, 商务条件]" }, "output_schema": { "risk_items": "list[RiskItem]", "compliance_status": "enum[通过, 需修改, 不通过]", "suggestions": "list[string]" } }, "dependencies": ["合同条款本体", "合规规则库"], "version": "2.1.0", "cost_per_call": "0.8 元", "avg_latency": "3.2s" } ``` 第一层是**意图**(intent),说清干什么;第二层是**输入输出 schema**,让调用方知道传什么、拿什么;第三层是**依赖和元数据**——依赖哪些本体和知识库,每次调用多少钱、平均多快返回。 这样写的最大好处:新需求来了,拿意图去注册中心搜,看有没有现成能力。"我要查合同风险"和"审查合同条款的合规性和风险"能匹配上,重复建设就暴露了。 多 Agent 架构到底解决什么问题 有人会问:搞这么多 Agent,图啥?我给你一个不绕的答案——**分而治之**。把一个又大又模糊的任务,切成几块小而可验证的活,每块交给一个专才,最后由协调者拼起来。 它真正换来的就五样: **专业化。**每个 Agent 只盯一件事,比一个啥都干点的通用 Agent 做得深。 **并行。**多块活同时跑,墙钟时间砍半。 **上下文隔离。**各管各的专注上下文,互不污染——不会因为前面聊了代码,后面写文案也带着代码味。 **故障隔离。**一个挂了别的照跑,不像单 Agent 一卡全停。 **成本分层。**分诊甩给便宜模型,综合留给强模型。 但有个坑得说在前头:**多 Agent 引入了协调成本**。你是用"一个 Agent 啥都做不精"换了"N 个 Agent 要接、要盯、要调"。协调不好,就是本文开头的四种死法,而且来得更快。 所以多 Agent 是手段不是目的。目的只有一个:**问题大到或并行到单 Agent 扛不住**。如果你说不出一句话"为什么 B 要把活交给 C",那你是为拆而拆,纯添乱。 本体在这里能解决什么 上面说的注册中心,如果背后没有本体,说白了就是个**电话簿**:它知道谁叫啥、在哪,但不知道谁到底能干啥、谁跟谁其实在干同一件事。 挂上本体,它才变成一层**推理层**。具体四件事: **1. 统一能力语义。**所有 Agent 的能力用同一套词描述——能力类型 × 业务对象 × 操作维度。不再是各写各的一句话。 **2. 确定性意图匹配。**意图到能力的映射走公理,不是 embedding 靠运气碰。 **3. 重复一眼可见。**重叠的能力变成结构化标签,撞车当场暴露。 **4. 约束可定义。**哪个 Agent 能干啥、依赖谁,写成 OWL 公理,推理机逐条校验——这正好是给 Agent 套"缰绳"的那层(受控专精的核心)。 注册中心(无本体)= 电话簿Agent A:做合同审查Agent B:协议风险扫描Agent C:竞品分析看不出重复 · 搜不准注册中心(有本体)= 推理层[审查 × 合同 × 合规][审查 × 合同 × 风险][分析 × 竞品 × 效率]重复可见 · 确定性匹配 图:没有本体的注册中心只是电话簿(记名字),有本体才变成能推理、能查重的语义层 一句话:**本体是把一堆 Agent 粘成一个舰队的那层胶水**。没有它,注册中心只是把混乱规模化了。下面是我踩过的真实匹配坑,正好印证这点。 我踩过的匹配坑:本体不是来打广告的 我得说实话,能力匹配这块我踩过坑。一开始我也用关键词 + 向量做,"合同条款审查"和"协议风险扫描"明明是同一件事,关键词对不上,向量相似度也不高,死活匹配不到一块。 后来我在注册中心背后挂了个**能力本体**,这俩才被识别成同一件事。本体干的活,是把所有 Agent 的能力用统一语义模型描述出来: **能力类型**:审查 / 分析 / 生成 / 检索 / 审批 / 通知 **业务对象**:合同 / 订单 / 客户 / 竞品 / 数据 / 工单 **操作维度**:合规 / 风险 / 效率 / 质量 / 成本 "合同条款审查"在这个模型里是 **[审查 × 合同 × 合规+风险]**。"协议风险扫描"是 **[审查 × 合同 × 风险]**——同一个能力类型、同一个业务对象,重叠度一眼看出来。"竞品分析"和"对手监测"都是 [分析 × 竞品 × 效率],完完全全重复。 没有本体的注册中心,能力目录是一堆文字描述,搜不准也比对不了。有了本体,能力变成了结构化标签,重复建设一眼可见,意图匹配精度翻倍。 两个真玩家的策略:OpenClaw 与 Hermes-agent 光讲道理虚。给你看两个真实项目怎么落这套"舰队纪律"的——它们都不叫"注册中心",但干的活一模一样:把一堆 Agent 管得可追溯、可控、可验证。 **OpenClaw:编排器 + 协议 + 权限冒泡。**它的模型是一个 Orchestrator 把目标拆了,spawn 一群子 Agent 并行干,干完汇报,它来汇总。几个招牌动作: ① **ACP 协议**(Agent Communication Protocol):每次 Agent 间传话都是结构化消息——sender / receiver / task_type / priority / context / payload / deadline / callback。这玩意儿本质就是"流动中的注册表条目",每次交接都有迹可循,不是靠默契。 ② **Permission Bubbling(权限冒泡)**:子 Agent 要做超出自己权限范围的事,它**先暂停、上报编排器**,而不是自己擅自动手。这正好治"权限裸奔"。 ③ **路由集中在一处**(openclaw.json),每个 worker 工作区窄、交接小到可审计;还有个可选的 Critic Agent,合并前先审一遍输出。 它自己也在警告:别早早强上 swarm 复杂度,先把单 Agent 稳住;你要是说不清 B 为啥交给 C,就是碎过头了。 **Hermes-agent:枢纽辐射 + 看板 + 可验证交接。**主 Agent 是枢纽,用 delegate_task 派生出"一次性"子 Agent(各自独立的上下文、终端、工具、预算)。招牌动作: ① **Kanban 多 Agent**(v0.12+):任务摊在一块共享看板上,每个 Agent 是个独立进程去"认领",认领是原子事务;崩了探测到就回收重派,连挂三次触发熔断转人工。这块看板,本质就是个"工作注册表"。 ② **可验证交接**:子 Agent 交差不能只说"我搞定了",必须**甩出路径 / diff / 测试结果 / 截图 / URL / 看板任务号**。这正好是治"幽灵 / 裸奔"的解药。 ③ **角色隔离 + 工具边界**:研究员绝不碰生产代码,审核员绝不批自己写的活。 它的哲学就一句:**"不是加更多 Agent,而是把角色切干净、产物可验证、交接看得见。"** |机制|OpenClaw|Hermes-agent| | --- | --- | --- | |拓扑|编排器 spawn 子 Agent|枢纽辐射 + 一次性子 Agent| |可追溯|ACP 结构化消息|Kanban 看板原子认领| |权限|权限冒泡,越权先上报|角色隔离 + 最小工具集| |验证|Critic Agent 审输出|交接必须甩出证据| |核心哲学|路由集中、交接可审计|角色隔离、产物可验证| 你发现没,不管叫注册中心、ACP 还是看板,**纪律是同一套:拓扑显式、权限收口、交接可验证、全程可审计**。而上一节说的本体,就是让 ACP / 看板里那个"能力"字段从自由文本变成有语义的标签——不然你记了一堆名字,还是不知道谁跟谁重复。 我推荐的四步落地法 别一上来就从零写。我给那家供应链公司走的是一条务实路线,四个开源组件拼起来: **第一步,API 网关做底座。**APISIX 或 Kong 都行,先把 Agent 调用统一收口。这一步解的是"权限裸奔"和"调用链不可追踪"。 **第二步,加能力目录服务。**基于开源 Service Catalog 改,把"服务"换成"能力描述",每个 Agent 上线就往这注册。这一步解的是"幽灵 Agent"和"重复建设"。 **第三步,接轻量本体。**用 Protégé 建一个能力分类本体,定义能力类型、业务对象、操作维度的概念体系,给每个 Agent 打标签。这一步解的是"意图匹配搜不准"。 **第四步,加链路追踪。**用 OpenTelemetry 给每次 Agent 调用打 trace,跨 Agent 调用全串起来。这一步解的是"调用链一团浆糊"。 盘完那家公司,我们顺着目录下线了 26 个幽灵 Agent,每月 GPU 账单直接少了一万二;故障定位时间从一下午缩到 10 分钟。四步走完,你就有了一个真能用的注册中心,没自己造半行轮子。 诚实地说局限 注册中心不是银弹,有三件事我得跟你说清楚,免得你上来就迷信: **1. 本体和目录要人维护。**小团队别上来就建本体,先用一张表或 Notion 记清楚"谁有什么能力",等 Agent 过 20 个再上系统。过早上重武器,维护成本比收益还高。 **2. 隐式依赖抽不出来。**很多 Agent 的依赖写在 prompt 里——"记得先调 XX 再调我"。这种暗线注册中心管不了,它只认你显式登记的东西。 **3. 上了中心不报警照样翻车。**注册中心是地图,不是交警。它标记了"这是个幽灵",你不处理,它还是在那白烧 GPU。治理是持续的活,不是装好就完事。 等 Agent 多到管不过来才搭系统,就像等房间堆满垃圾才买垃圾桶。**晚了,味儿已经散不掉**。 你们公司有没有那种"不敢停、也不敢动、也没人知道干嘛"的幽灵 Agent? 评论区报一下它的名字,我看能集齐多少个。也说说它是哪个部门的——我赌十块钱是财务或者法务那边的。

优秀的个人博客,低调大师

本体驱动ERP|RAG 之后是 OAG —— 本体增强生成,凭什么成为下一代检索范式

# 说实话,OAG 这个概念是我在项目里被逼出来的——不是看了论文想写篇布道文。供应链问答那个项目,RAG 上了、向量调了、prompt 改了,准确率死活卡在 60% 不动。** 这篇文章说的就是这件事:RAG 为什么在这个场景下到天花板了,OAG 补了哪块,以及我自己搭这套东西时踩的几个实坑。** ■ 一个让我放弃调参的现场 去年做了个供应链知识问答系统。需求听起来简单: "华东仓爆仓了,影响哪些客户的履约?" 用标准 RAG 管道——文档切片、embedding、top-10 检索、拼接 prompt、喂模型。第一周的效果:能答,但答不对。 问"华东仓爆仓影响哪些客户",它给了一堆"仓储管理规范""物流应急预案""华东区域运营周报"的段落拼在一起。每段看起来都跟问题沾边,拼出来的答案离题八万里。 我一开始的直觉跟所有人一样:向量召回不够准,调 embedding 模型、调 chunk 大小、调 top-k。调了一周,从 40% 调到 60%,再也上不去了。 直到我坐下来看了一百条 bad case,发现了同一个模式:**不是检索不到相关段落,是段落之间的"关系"没被考虑。** 比如系统召回了"华东仓库存周报"和"客户 A 的履约记录"——两段单独看都对,但它们之间有一条关键的链路——仓里存了哪些货、这些货关联了哪些履约单、履约单属于哪些客户——这段链路 RAG 完全不知道。它就两段孤立的文本,让 LLM 去猜它们怎么连。LLM 猜错了。 RAG 的盲区不在"查不到",在"连不上"。 ■ RAG 的天花板到底在哪 先把这个说清楚,因为大部分人在 RAG 效果不好的时候,第一反应就是调 embedding、调 chunk、调 top-k。我踩过这个坑——调了两个月,结论是:**有些问题就不是参数问题,是架构问题。** RAG 做对了一件事:把"查资料"自动化了。但它有三件事完全没做: **1. 同义不同词。** 文档里写的是"库容超限",你问的是"爆仓"——向量距离很远,召不回。这不是 embedding 模型不够好,而是任何基于字面相似度的检索都天然漏掉同义词。 **2. 多跳关系。** 你问的问题需要跨文档、跨实体走两步以上才能回答。RAG 只能给你"跟问题字面相关"的片段——它不知道片段 A 里的"仓库"和片段 B 里的"履约单"之间有一条 `stores → fulfills → Order` 的关系链。 **3. 逻辑约束。** 业务里的硬规则——"金额超 5000 必须走总监审批"——RAG 只能当作文本拼进 prompt,没法当约束执行。LLM 可能违反而不知。 RAG 能做的✅① 单文档问答② FAQ 匹配③ 已知句式检索RAG 做不到的——这就是 OAG 的入场理由❌ 同义不同词("库容超限" vs "爆仓")❌ 多跳关系(仓→货→单→客,跨四张表)❌ 硬约束执行("金额>5000 不走总监审批就是违规")这三件事,任何基于"字面相似度"的检索都解决不了 图1:RAG 的能力边界。右边三件事,就是 OAG 要补的。 这三件事的共同病灶:**缺乏对"概念之间关系"的显式建模。** 同义词是关系,多跳是关系,约束也是关系。RAG 把这些关系全部交给了向量和 LLM 去"猜"——猜对算命好,猜错算翻车。 ■ OAG 的核心思路:不猜关系,定义关系 OAG(Ontology-Augmented Generation)做的事,用一句话说: **在 RAG 的检索管道理,插入一层"关系索引"——不是靠向量算"谁跟谁像",而是靠本体告诉你"谁跟谁怎么连"。** 回到爆仓的例子。在 OAG 里,处理这条查询的流程是: ``` # ===== ① 本体查询扩展 ===== # 先把用户问题里的词,映射到本体里的实体和关系 "华东仓" → Warehouse (hasRegion: "华东") "爆仓" → CapacityExceeded (owl:equivalentClass 库容超限) "影响客户" → 解析为 property chain: stores → contains → Order → belongsTo → Customer # ===== ② 双路检索 ===== # 路径 A:图谱遍历(确定性) MATCH (w:Warehouse {region:"华东", status:"CapacityExceeded"}) -[:stores]->(g:Goods) (c:Customer) RETURN c.name, o.orderId # 路径 B:向量检索(补充性) # 并行跑 top-10 语义相似片段,捞图谱可能漏的边缘证据 # ===== ③ 推理校验 ===== # 推理机对候选结果跑 OWL 公理: # - CapacityExceeded ⊑ AbnormalStatus → 子类继承,自动打异常标签 # - ∃ belongsTo.Customer ⊑ AffectedEntity → 满足条件的客户自动归类 # ===== ④ 融合 → LLM 生成 ===== # 把图遍历结果 + 向量召回片段 + 推理校验结论,作为 context 喂 LLM 生成 ``` 注意第三行——`owl:equivalentClass`。就这么一条声明,解决了"库容超限"和"爆仓"在向量空间里离得八丈远的问题。不是靠更好的 embedding,是靠**显式定义了概念之间的等价关系**。 这是 OAG 和 RAG 的根本区别: |对比维度|RAG(向量检索 + prompt 拼接)|OAG(本体 + 图谱遍历 + 推理机)| | --- | --- | --- | |检索逻辑|问"爆仓"→ embedding 算相似度 → 返回 top-k 片段。片段之间不认识彼此。|问"爆仓"→ 本体解析为 CapacityExceeded(等价类展开)→ 沿 property chain 遍历 → 返回的是关系完整的子图。| |同义词|"库容超限"和"爆仓"在向量空间里距离很远。召不回就是召不回。|owl:equivalentClass 一条声明,两个词在检索层就等价了。不是靠更好的 embedding,是靠定义。| |多跳关系|不支持。LLM 拿到几个孤立的片段,自己猜它们怎么连。猜错就是幻觉。|property chain 图谱遍历:Warehouse → stores → Goods → Order → Customer,每一跳都是显式的边,不走概率。| |硬约束执行|约束写在 system prompt 里:"请注意金额超 5000 必须审批"。LLM 可能忘、可能绕、可能忽略。|约束写成 OWL 公理。推理机逐条校验候选结果,违反的一律排除。不存在"忘了"这回事。| |可解释性|"这个答案为什么对?"→ 因为这几个片段的相似度最高。但相似度高 ≠ 逻辑对。|"这个答案为什么对?"→ 因为经过 property chain A→B→C,推理机通过了公理 X。每一步都可以回溯和审计。| |更新与维护|文档变了→重新 embedding。简单粗暴,但每次都是全量重跑。|本体变更走版本管道(建模→测试→部署→同步),实例数据增量摄入。维护链路长但变更安全。| |最适合的场景|单文档问答、FAQ 匹配、不需要推理的查资料型问题。|合规校验、供应链溯源、指标口径对齐——需要"走两步以上才能回答"的问题。| 一句话:**RAG 解决"查得到",OAG 解决"查得对"。** 查得到靠向量,查得对靠关系。两者不是替代——是覆盖不同的问题复杂度。 但是不要忘了性能开销 ■ 我实际搭了一个能跑的 OAG 管道 说完了理念,说工程。我这个项目的技术栈是 OWL/SWRL + Apache Jena TDB2 + Neo4j + SPARQL,在这个基础之上加了 OAG 检索层。架构入下图: 用户问题"华东仓爆仓,影响哪些客户的履约?"① 本体查询扩展实体链接(Warehouse/CapacityExceeded) + 同义词展开(owl:equivalentClass) + property chain 解析▼ 双路混合检索 ▼②a 图谱遍历(确定性路径)沿 property chain: Warehouse→stores→Goods→Order→belongsTo→Customer②b 向量检索(补充边缘证据)语义相似度 top-10 召回候选片段补充图谱可能遗漏的上下文②c 候选融合 · 去重 · 初始排序双路结果合并为统一候选集③ 推理校验 ⬅ OAG 独有能力层OWL 公理执行:类层级检查 · 属性域值验证 · 子类继承推断 · 不一致检测例:CapacityExceeded ⊑ AbnormalStatus → 自动给爆仓打异常标签,触发受影响方分类④ LLM 上下文增强生成 → 结构化输出以校验后的子图+片段作为 prompt 上下文,生成最终答案OAG 执行管道 · 5 步,自上而下 图2:我这个项目的 OAG 管道实际架构。③ 推理校验是跟 RAG 拉开差距的核心层。 这个架构跑起来之后,供应链问答的准确率从 60% 跳到 85%,没调任何参数。就加了本体那一层。 但我得诚实说一句:**图遍历那条路径不是万能的。** 属性链定义对了,它就是精确的。定义错了,结果是错的但不自知。这也是为什么有推理校验层——至少能用公理发现逻辑矛盾。但公理本身定义得对不对,还是得人来审。 ■ 什么时候该上 OAG,什么时候别折腾 我不想把 OAG 吹成万能。有些场景上了是过度设计。用三个问题自检: **1. 你的核心查询需要跨实体"走两步"以上吗?** 要 → OAG。单文档、单实体 → RAG 够用。 **2. 你的业务里有"同义但不同词"的概念吗?** 有且经常翻车 → OAG 的等价类声明一口气解决。没有 → 先别加层。 **3. 你的业务规则是显式的、可枚举的吗?** 是(如合规规则、财务科目关系)→ OWL 公理化直接上。都是"看情况"→ 别建模,建了也得推翻。 还有一个成本问题。建模本身有前期投入:一个中等复杂度的业务域(30-50 Class,100+ Property),我自己干大概 3-5 人天。如果用 LLM 辅助抽初版本体,能砍到 2-3 人天,但抽出来的东西得人审——LLM 会抽歪,比如把"子公司"抽成"竞争对手"。 维护是个更长期的账。本体不是建完就完了——业务规则变、组织架构变、新系统接入,本体得跟着动。我这套有版本管道和实例数据自动迁移,但也不是零成本。相比 RAG 的"喂新文档重新 embedding",OAG 的维护链路确实长。如果你团队没有能写 OWL 的人,建议从最核心的 5 个概念起步,跑稳了再扩。 ■ 跟 GraphRAG 到底是什么关系 聊 OAG 绕不开 GraphRAG,我一句话说清楚两者的关系: **GraphRAG 靠 LLM 自动建图,OAG 靠人工建模本体。前者快但不可控,后者慢但确定。不是谁替代谁——不同场景选不同工具。** GraphRAG 的优势:文档丢进去,LLM 自动抽实体、抽关系、建社区摘要。适合探索性分析——你不知道数据里有什么,让模型帮你发现。 GraphRAG 的坑:抽取质量不稳。同一个"客户",在文档 A 里是 Customer,在文档 B 里可能被抽成 Client 甚至抽丢。多跳查询的每一跳都建立在抽取结果上——一跳抽歪了,后面全跑偏。 OAG 反过来:前期建模花时间,但一旦建好,**关系的确定性远高于 LLM 抽取**。适合对精度有硬要求的场景——合规、财务、供应链这种"错一次就是事故"的。 我自己在项目里的做法:先用 OAG 覆盖核心 20% 的高精度场景(供应链合规、指标口径、审批规则),再用 GraphRAG 做剩余 80% 的探索性分析。两套结果合并排序。不是二选一,是分层用。 ■ 诚实地说局限 OAG 现在离"随便一个团队就能上"还差得远: **1. 建模门槛。** 我花了三个月才把供应链本体建到能用的程度。不是因为技术难,是因为要跟业务方反复对概念。本体不写代码,但需要精确描述业务——这件事的瓶颈永远是"懂业务的人有没有时间坐下来跟你对"。 **2. 推理性能。** Jena TDB2 在小规模下跑得很快,但我不知道 10 万 Class + 百万级实例时推理机会不会卡。没实测过这个量级,没发言权。中型项目现在完全够,大规模未知。 **3. 生态。** RAG 有 LangChain、LlamaIndex 一整套生态,OAG 目前基本得手搭。Protégé 能帮建模,Jena 能跑推理,Neo4j 能存图——但三者之间没有一套开箱即用的集成方案。我自己写胶水代码写了快两周。 但如果用一句话总结我的判断:**检索的下一步不是更准的向量,是更清楚的关系。OAG 不是 RAG 的替代品——是 RAG 够不到的那些问题,唯一的解法。** **三个问题,想听听你的实际情况:** **1.** 你现在的 RAG 项目里,有没有一类问题是"怎么改参数都答不对、但你知道是关系没连上"的?具体是什么问题? **2.** 如果让你在现有检索系统里先建 5 个核心本体概念,你会选哪 5 个? **3.** 你觉得 OAG 最大的落地阻碍是哪一项:建模人力不够、推理性能不确定、还是团队里没人懂本体? 评论区聊聊。我下篇用 GraphRAG 的成本视角接着拆这个问题。

优秀的个人博客,低调大师

不用对接ERP!一套"网页 + Excel"RPA方案,搞定代账公司批量财税自动化(实测流程拆解)

报税期深夜,代账会计的电脑屏幕上是几十个等待登录的电子税务局页面。这是行业里最熟悉的画面:手上几十上百家客户的账,增值税、附加税、个税、印花税、财务报表报送,一户都不能晚。手工模式下,一人一天处理十几二十户就到极限,填错一个数,前面的努力全部重来。

资源下载

更多资源
优质分享App

优质分享App

近一个月的开发和优化,本站点的第一个app全新上线。该app采用极致压缩,本体才4.36MB。系统里面做了大量数据访问、缓存优化。方便用户在手机上查看文章。后续会推出HarmonyOS的适配版本。

Nacos

Nacos

Nacos /nɑ:kəʊs/ 是 Dynamic Naming and Configuration Service 的首字母简称,一个易于构建 AI Agent 应用的动态服务发现、配置管理和AI智能体管理平台。Nacos 致力于帮助您发现、配置和管理微服务及AI智能体应用。Nacos 提供了一组简单易用的特性集,帮助您快速实现动态服务发现、服务配置、服务元数据、流量管理。Nacos 帮助您更敏捷和容易地构建、交付和管理微服务平台。

Spring

Spring

Spring框架(Spring Framework)是由Rod Johnson于2002年提出的开源Java企业级应用框架,旨在通过使用JavaBean替代传统EJB实现方式降低企业级编程开发的复杂性。该框架基于简单性、可测试性和松耦合性设计理念,提供核心容器、应用上下文、数据访问集成等模块,支持整合Hibernate、Struts等第三方框架,其适用范围不仅限于服务器端开发,绝大多数Java应用均可从中受益。

Sublime Text

Sublime Text

Sublime Text具有漂亮的用户界面和强大的功能,例如代码缩略图,Python的插件,代码段等。还可自定义键绑定,菜单和工具栏。Sublime Text 的主要功能包括:拼写检查,书签,完整的 Python API , Goto 功能,即时项目切换,多选择,多窗口等等。Sublime Text 是一个跨平台的编辑器,同时支持Windows、Linux、Mac OS X等操作系统。

用户登录
用户注册