会解释业务,距离进入业务还有多远
企业 Agent 的难题,在于把语言判断接到真实业务变化上。Ontology 提供了一条值得研究的路径:用共享的对象、关系和动作,让模型围绕明确的业务实体工作。Palantir 将它发展成包含执行与治理机制的运营系统,但本体本身并不保证可靠行动。
本文提出的“数字具身”,是对这种架构的分析类比:Agent 能否识别环境、采取行动,并依据真实后果调整下一步。它不等于机器人具身,也不意味着软件获得了人的体验。以下产品行为依据截至 2026-11-18 查阅的官方文档;实验结果注明研究范围,推演案例不冒充客户实践。
设想客户要求将一批订单提前到周五交付。AI 很容易列出检查库存、协调生产、联系物流的步骤。然而,库存可能已被其他订单占用,完工产品可能尚未通过质检,承运商的时效承诺也可能有截单条件。模型知道通常应该怎么做,仍不足以判断自己此刻可以做什么。
从共享概念,到可以操作的业务对象
Gruber 在《Ontology》中,将本体解释为建模领域知识的一组表示原语,包含类别、属性、关系及其含义和约束,抽象于具体数据库实现之上。原文
订单场景中的困难,往往藏在口径里:“现存库存”不等于“可承诺库存”,“付款方”不一定是“收货方”。如果 Agent 混淆它们,即使 SQL 和参数格式完全正确,结果仍会出错。本体的价值,是把这些区别变成可共享、可维护的业务约定。
这并不意味着数据库模式没有语义,或必须使用图数据库才能建模。关键是跨系统和应用能否复用相同的对象身份、概念定义与约束。
Palantir 使用了更宽的产品定义:其 Ontology 同时包含对象、属性、关系等语义元素,以及动作、函数、动态安全等行动元素。官方称之为组织的运营层。Ontology 概览
这种实现把“业务是什么”与“业务怎样变化”放进同一套接口。例如,“为订单预留库存”可以成为独立动作,统一关联订单、批次和预留记录。应用与 Agent 复用它,减少各自在提示词或代码里重写业务规则的机会。
需要分清:学术本体并不天然具有动作运行时;Palantir 的产品定义,也不是所有本体系统的通用属性。
具身智能提供了什么启发
机器人要把杯子放到桌上,除了理解指令,还必须知道杯子在哪里、机械臂够不够得着、抓取是否可行。这涉及 affordance,即环境相对于具体行动者提供的行动可能。
2022 年的 SayCan 将语言模型对技能是否有助于任务的评分,与技能在当前状态下成功执行的估计结合。论文同时指出,系统仍受技能库能力限制,也不容易处理技能预估可行却实际失败的情况。方法与局限
对企业 Agent,可以借鉴这种分工:模型提出有用的步骤,执行系统检验动作是否可行;身份与权限机制再判断它是否被允许。同一批库存,对销售 Agent 可能只开放查询,对履约 Agent 才开放分配。行动空间取决于对象、状态和行动者。
但这个类比有明确边界:机器人需要处理接触、运动和物理不确定性;企业 Agent 还要处理授权、组织职责和业务约定。权限约束不能替代物理可行性判断。
| 能力 | 企业系统中的对应机制 |
|---|---|
| 识别对象 | 稳定标识、类型、关系与术语定义 |
| 获取环境变化 | 数据连接、事件、状态时间与来源 |
| 执行动作 | 业务服务、动作契约、外部接口 |
| 限定行动空间 | 权限、业务前提、资源约束 |
| 获知行动后果 | 回执、状态回查、结果验证 |
本体可以组织这些机制的共同含义,但连接器、执行器和反馈通道仍需真实存在。把一份对象模型称为 Agent 的完整身体,会掩盖这些工程工作。
更不能从具身智能推出“必须有中央本体”。Brooks 在 1991 年强调让完整系统接受真实感知与行动检验,并指出显式世界表示会妨碍某些简单智能行为。原论文 本文从中得到的提醒是:表示应服务于交互,不能代替交互。
用一次订单调整检验闭环
回到假设案例。Agent 首先需要确认订单及订单行、收货地址和当前承诺,避免把相似名称当成同一对象。随后查询库存、质检和运输状态,并保留来源与更新时间。“十分钟前显示有货”和“仓库刚确认可以预留”,具有不同的证据强度。
Agent 可以生成现货交付、跨仓调拨、拆分交付等方案。库存守恒和产能限制应交给明确规则或相应求解器;语言模型负责解释需求与比较方案,不能仅靠一份流畅计划证明方案可执行。
选定方案后,调用“预留库存”等领域动作。动作应定义目标对象、参数、前置条件、身份要求、成功效果和失败语义。Palantir 的 Submission Criteria 可以结合用户、参数、对象与关系信息,判断动作是否允许提交。官方说明
关键约束应在执行时检查。模型查询后,其他订单可能已经占用库存;提示词中的“库存充足才分配”,无法处理这种竞争。
最后,Agent 还要确认发生了什么。预留成功、运输安排被接受、客户实际收货,是三个不同阶段。只有系统拿到了与目标相匹配的证据,才能宣告相应阶段完成。
下图是本文综合的设计框架,并非 Palantir 官方架构图。
flowchart LR
A[业务目标] --> B[读取对象与当前状态]
B --> C[生成并比较方案]
C --> D[校验权限与业务条件]
D --> E[执行领域动作]
E --> F[回查状态与业务结果]
F --> G{目标是否达成}
G -->|尚未达成| B
G -->|已经达成| H[记录结果与依据]
本体在这里提供稳定的业务坐标:观察与修改指向同一组对象。但闭环的可靠性,取决于每条连接有没有真正实现。
事务边界,是“数字身体”最容易被高估的地方
Palantir 文档说明,Action 对 Ontology 的编辑可以原子提交,这项保证不自动覆盖 Webhook 等外部调用;其快照隔离也不检测所有读写冲突。一致性与隔离
例如,两个动作各自读到还有足够的值班人员,然后分别修改不同人员的状态,可能同时通过,最终违反“至少一人在岗”的整体约束。这类写偏差说明:动作提交前的条件校验,不能代替并发不变量设计。
外部调用的边界更直接。writeback Webhook 失败时不继续修改本体,但仍可能出现外部请求成功、本体修改失败;side effect Webhook 则可能在用户看到成功提示后才执行。Webhook 行为
设想承运系统已创建运输单,响应却因网络故障丢失。Agent 看到超时,立即重试就可能创建第二张单。此时需要能识别同一次请求的幂等机制、执行状态查询,以及必要的补偿流程。再次生成一段计划,无法撤销已经发生的后果。
因此,Agent 的运行记录应关联观察版本、执行身份、动作参数与结果证据。记录有助于恢复、审计和改进,却不会自动变成模型学习;后者还需要明确的训练或策略更新。
同样,对象关系不自动等于预测能力。“供应商向工厂供货”不能单独推出延迟两天会影响多少订单,还需要库存缓冲、产能和调度模型。应区分观测事实、预测值与方案假设,避免把结构化猜测当成权威状态。
已有实验支持什么,又没有证明什么
语义增强与动作约束已有实证探索。下表保留作者报告的数值及实验范围,二者均不是 Palantir 的效果评测。
| 研究 | 作者报告的结果 | 证据边界 |
|---|---|---|
| UniDataAgent,2026 年 | 40 个企业问题,严格准确率从文档 RAG 的 72.5% 到系统的 95.0% | 企业问数与报告任务,不能外推到运营写操作 |
| Bounded Autonomy,2026 年 | 25 个场景,受约束配置完成 23 个,移除相关约束的配置完成 17 个 | 单应用、单模型,比较的是约束组合 |
UniDataAgent 的评估章节将语义契约与专家分析技能、工具和证据检查结合。它说明这套系统在所测问题上优于文档 RAG;由于多个环节同时变化,不能把全部增益归因于“存在本体”这一因素。
Bounded Autonomy考察类型化动作契约、权限过滤、校验和确认等组合。论文明确说明使用单一 CRM 应用和 GPT-4o-mini,每个场景每种条件只运行一次,尚未完成逐层消融。它为执行架构提供初步证据,也留下重复稳定性和跨领域泛化问题。
这些结果应按作者自报理解,本文未独立复现。它们支持继续研究共享语义和执行约束,尚不足以证明 Ontology 是所有 Agent 的必要条件,或“数字具身”已经成为得到验证的统一理论。
真正值得建设的,是可验证的最小业务闭环
本文的落地判断是:先选择反馈可获取、边界明确的任务,再决定需要多少本体。例如只处理满足条件的现货订单分配,明确库存权威来源,建立一个受约束的分配动作,验证重复调用与并发下是否仍然正确,再扩大范围。
本体的长期成本也必须进入判断。谁负责“可承诺库存”的定义,规则变化由谁批准,不同系统冲突时以谁为准,都需要业务负责人持续维护。错误共识一旦被复用,也会让多个 Agent 一致地犯错。
RAG 可以提供合同与制度,MCP 可以承载工具接口,领域 API 可以承担执行。本体帮助它们共享含义,但不能自动提高源数据质量或创造授权。已有清晰领域模型和服务接口的系统,也可能具备相同能力;采用哪个产品名称,并不是可靠性的判据。
验证时,可以借鉴 τ-bench:检查最终数据库状态,并通过重复试验衡量一致性。但原论文也承认,奖励成功仍可能遗漏未获确认就执行的政策违规。评估方法与局限 因此,还应检查过程授权、错误对象修改、重复执行和异常恢复。
要识别本体的贡献,应固定模型、任务、工具权限和数据,比较现有方案、共享语义方案、再加入执行约束的方案;同时计入错误率、完成率、延迟和人工修复成本。把所有治理同时补齐后的收益全部记在本体名下,仍然经不起推敲。
回到周五交付的订单。可信的 Agent 应能说明它确认了哪些对象、完成了哪些操作、还缺哪些证据,并持续追踪结果。Ontology 值得研究的深层价值,就在于帮助这些观察和行动使用同一种业务语言。只有与实时状态、受控执行和反馈共同工作时,“数字具身”这个比喻才具有工程上的解释力。
参考资料
- Gruber:Ontology,2009:本体的领域表示与语义抽象。
- Palantir Ontology 概览与动作提交条件:产品定义与校验机制,查阅于 2026-11-18。
- Palantir 一致性与隔离及Webhooks:事务及外部执行边界,查阅于 2026-11-18。
- SayCan,2022:语言任务判断与技能可行性结合。
- Brooks:Intelligence without Representation,1991:对显式表示必要性的反向提醒。
- UniDataAgent,2026-10-08 修订:企业语义契约与小样本问数评估。
- Bounded Autonomy for Enterprise AI,2026-04-16:受约束动作架构及其研究局限,arXiv 预印本。
- τ-bench,2024:最终状态、必要输出与重复一致性评估。
读者留言
COMMENTS 暂无还没有留言,来说第一句?