智能体能聊不能懂，亚信白皮书为何押注本体这套语义基础设施

Q: 为什么报告主张用本体，而不是RAG或知识图谱？

报告把RAG、知识图谱、数据/指标平台与本体放在同一张表上对比，结论是四者并非替代关系，而是面向不同问题互补。 RAG擅长非结构化知识的检索与生成，知识图谱强在关系表达，数据/指标平台解决数据口径与指标管理。 对于需要跨系统理解业务对象、开展复杂推理并支撑智能应用的场景，本体更适合作为统一语义基础。报告也提醒，本体的建设和治理成本相对更高。

这份白皮书来自亚信科技，名字叫《2026智能体时代企业语义基础设施白皮书》。它没有一上来讲技术，而是先抛出一个很具体的问题：企业买了这么多大模型，为什么智能体还是用不起来？

报告给出的答案有点反常识——瓶颈不在模型本身，而在企业有没有一套让模型"读懂"的语义层。先看几组能立住全篇的数字。

Gartner预测，到2026年底，40%的企业应用将嵌入任务型AI智能体，而2025年这一比例尚不足5%。但Gartner 2026年CIO调研显示，真正部署了AI智能体的组织仅17%——市场热、落地冷。

McKinsey 2025年底的调查里，62%的受访者称组织已开始试验AI智能体，却在单个业务职能中实现规模化应用的不足10%。

模型能聊不能懂，根子在于企业缺少一层可被智能体调用的语义基础设施。

下面从三大痛点讲起，再看这套"构建-沉淀-演进"的方法论到底怎么落地。

我们在整理《中欧AI白皮书：全球36%大模型源自中国》时也碰到过类似的分歧，那里的结论可以拿来对照。

《2026智能体时代企业语义基础设施白皮书》（亚信科技）封面

图源：《2026智能体时代企业语义基础设施白皮书》（第1页） · 下载报告全文

执行摘要：以本体为核心载体，提出

图表来源：《2026智能体时代企业语义基础设施白皮书》（第3页） · 查看完整报告

一、三大痛点指向同一件事：企业缺一层让智能体"读懂自己"的语义层

报告把智能体落地的卡点，归纳成三个。痛点一，模型不理解企业。通用大模型能力很强，但缺企业特有的领域知识、业务规则和对象关系。

报告举了运营商经分的例子：业务人员问"本月高价值客户流失率是多少"。模型需要先知道"高价值客户"由哪些条件定义——ARPU阈值、在网时长、套餐类型，以及这些条件对应的数据表和字段。

可这些信息不在模型的训练数据里，只存在于企业的业务规则中。痛点二，AI能力不可复用、不可治理。每上一个新场景，都要重新梳理规则、重新调优、重新验证。

同一个业务域里，"流量分析"和"收入分析"底层数据源相同、业务对象重叠，模型却没法自动复用上一个场景积累的语义理解。

缺的是一套跨场景可复用的语义资产。痛点三，智能资产无法持续沉淀。业务专家掌握的取数逻辑、口径定义、规则判断，会随人员流动而流失。

三个痛点其实指向同一个缺口：企业没有一层能让智能体"读懂自己"的语义层。

报告由此引出解法——企业语义基础设施，并把它定位为基础设施而非工具，价值在于可跨场景、跨项目、跨团队复用的语义资产。

第1章：智能体在企业落地的三大痛点——模型不理解企业、AI能力不可复用、智能资产无法沉淀

图源：《2026智能体时代企业语义基础设施白皮书》（第7页） · 获取《2026智能体时代企业语义基础设施白皮书》完整版

二、为什么是本体？报告把四种方案摆到同一张表上比

企业语义基础设施的实现路径并非唯一，业界常见的有四种：RAG、知识图谱、数据/指标平台，以及这份白皮书主张的本体（Ontology）。报告从主要解决的问题、核心能力、优势场景、适用边界、与其他能力的关系几个维度做了逐一对比。

RAG解决的是让模型基于外部知识做检索与生成，更擅长文档问答、知识查询这类非结构化场景。知识图谱表达实体及其关系，强在知识关联与图谱查询，但它通常仍需要与业务语义、数据和应用机制结合。

数据/指标平台统一数据口径、指标定义和数据服务，重点解决"数据是什么、怎么算、怎么取"。本体则统一业务对象、关系、属性及业务语义，提供业务语义建模、约束与推理、业务语义复用等能力。

报告强调，四者并非简单的替代关系，而是面向不同问题形成互补。对于需要跨系统理解业务对象、开展复杂推理并支撑智能应用的场景，本体更适合作为连接数据、业务语义与智能应用的统一语义基础。

Palantir的实践被当作行业佐证：其Ontology位于数据与业务应用之间，把来自不同系统和数据源的信息映射到统一的业务对象、属性和关系上。

但报告没有回避代价：本体更适合复杂场景作为统一语义基础，建设和治理成本相对更高。

本体：连接企业信息与智能体的语义基础设施

图表来源：《2026智能体时代企业语义基础设施白皮书》（第8页） · 获取《2026智能体时代企业语义基础设施白皮书》完整版

候选方案对比：RAG、知识图谱、数据/指标平台与 Ontology（本体）

图片来源：《2026智能体时代企业语义基础设施白皮书》（第9页） · 获取《2026智能体时代企业语义基础设施白皮书》完整版

三、构建要"立"在质量门槛上：四类路径，两个局点

第二到第四章，对应报告最核心的三个词：构建、沉淀、演进。先说构建。报告的主张很硬：AI大幅降低了本体构建的门槛，但质量门是绕不过去的关口——不是"先建完再检查"，而是"边建边评，不过关不发布"。

路径上，报告引用爱分析的市场洞察，把本体的实践分成四类。知识工程路径，从制度文件、技术文档和专家经验里提取概念及其关系。

语义层路径，面向智能问数，统一业务术语和指标口径，再把语义映射到底层数据。业务本体路径，从客户、订单、设备等真实业务对象出发，把不同系统里的数据组织成连续的业务上下文。

可执行本体路径，在业务本体之上管理规则与Functions，形成业务判断后调用Actions，实现从"理解业务"到"推动行动"的闭环。报告用两家运营商局点的案例说明路径怎么选。

A局点做经营分析，核心痛点是大模型读不懂数据的业务含义，于是选了语义层路径。它设计出"对象名称/表类型/用途/存储模式/使用约束"的四要素描述模板，让模型知道每张表是什么、怎么用。

构建后，该场景本体有173个对象、224组关系、19条业务逻辑，工单选表准确率从30%提升到85%左右，工单自动化交付率从15%提升到50%以上。端到端平均闭环时长从4.3天缩短到1.5天，其中约20%的工单闭环时长缩短到小时级。

B局点做存量营销，痛点是业务逻辑复杂、需要可解释推理，于是选了业务本体路径，围绕9步业务流程梳理对象与关系。该场景本体构建了26个对象类型、17条语义关系、6条业务逻辑，目标用户命中率达到传统方式的2.36倍。

两条路径不是"高级对低级"，而是问题本质不同——一个缺数据语义对齐，一个缺业务逻辑的结构化表达。

四、人机协作加四维质量门，把"业务专家的判断"变成可执行标准

两条路径的人机协作方式不同，本质由路径选择决定。A局点的语义层路径偏AI辅助：AI基于表结构、样例数据和历史SQL自动生成描述草稿，业务专家只负责修正和确认。

对标纯人工，构建效率从12个工作日缩短到1.5个工作日。B局点的业务本体路径需要业务知识深度参与，亚信建了"六步闭环流程 + Harness工程框架"的统一方法论。

角色分工很清晰：业务专家是业务边界的唯一裁决者，本体工程师是结构边界的唯一裁决者，AI则是翻译官与补全助手。

Harness工程框架用四层协作约束AI：约束层明确输入输出边界，信息层分阶段提供数据，验证层在关键节点做质量校验，修正层触发人工确认。同一条线索，我们在《亚信《智能体互联网Token计费与运营白皮书》》里做过更细的拆解，可以对照着看。

质量门上，亚信把评估归纳成四个维度：业务合理性、语义质量、结构质量、数据可达性。四个维度层层递进，任何一项不达标，本体都不能发布。

报告还诚实列了来自A局点早期探索的四个反例。比如初期试图一次性构建全量本体，产出100多个对象后仍无法支撑任何工单。

又比如字段flag=1被AI解释为"有效"，实际业务含义是"已删除"，导致生成的SQL遗漏了关键过滤条件。还有结构上24张表只配了10组关系，选表准确率停在70%，补齐到23组后才提升到90%以上。

没有统一质量标准时，AI产出越多、返工越多——质量门的价值就是把判断固化成标准。

五、沉淀价值是"用"出来的：三类资产，四环闭环

很多企业把本体当成一个项目，建完、验收、上线就结束了。报告的观点相反：本体的价值不在建完的那一刻，而在用起来之后。

沉淀的复利效应，不是"越做越熟练"的经验，而是"使用数据"的持续叠加。以经分取数为例，1200多个历史工单的取数逻辑如果不沉淀，每换一个经分人员就要重新摸索一遍。

报告把要沉淀的东西分成三类资产，分别回答三个问题。使用模式回答"什么是高频的"，典型产出是高频表清单、常用指标、典型需求路径，帮新需求快速定位起点。

效果证据回答"什么是有效的"，包括规则命中率、误判率、工单闭环时长变化，帮后续需求避坑。业务知识回答"什么是新发现的"，把"只可意会"的业务理解变成"可复用"的资产。

怎么沉淀？报告给了一个从第一个版本上线就启动的四环节闭环：获取、评价、应用、反馈。它的特征是"自动获取 + 人工评价 + 自动应用 + 自动反馈"——人工只做判断，机器做执行。

四环不是单向流水线，而是持续循环，反馈的结果会触发下一轮获取。

用得越多、沉淀越厚、价值越大，这正是本体区别于一次性项目的复利来源。

六、演进要"养"在业务里：从资产到负债，只差一次不更新

企业的业务不会只停在一个场景，本体也一样。报告的核心主张是：本体不是建完就定型的东西，业务环境在变，本体不演进就会从"资产"退化为"负债"。

道理很直白——规则会过期、政策会调整、组织会变动。报告举例说，去年营销规则里"高价值客户"的门槛是ARPU大于100，今年可能就变成大于120。

A局点的经分取数本体上线初期只覆盖24个核心对象和23组关系，选表准确率约30%。历时半年，对象从24个增长到173个，关系从23组扩展到224组，逻辑定义从8条增加到19条，准确率也逐步提升到85%。

报告说，这不是一次性扩建，而是1200多个工单的使用数据持续反哺的结果。演进靠两类信号驱动。正面信号告诉你"缺了什么"，新的属性和逻辑在使用中暴露出来。

反面信号告诉你"什么错了"，命中率低、误判率高、业务专家反馈"不对"，都会推动规则更新。跨场景时，报告给出两种方式——派生与融合。

派生是"从1到N"：新场景出现时，从已有本体复制核心对象和关系作为起点，再裁剪增补，之后各自独立演进。融合是"N到1"：多个本体出现重叠、且业务需要跨场景协同时，识别共享对象、统一语义标准、保留各自特有部分。

报告强调，融合的核心原则是"回归验证"——每次融合都要用各场景的CQ做回归测试，确保不破坏已有场景的推理能力。

派生解决从一到多的扩展，融合解决从多到一的统一，驱动二者的燃料始终是沉淀下来的使用数据。

七、从两家局点到一个平台：本体还能用在运维、体验与风控

这套方法论，最终落在亚信科技的数智本体平台上。平台定位是企业语义基础设施的工程化载体，采用"1个电信核心本体 + N个场景本体"的双层架构，覆盖构建、治理、推理、沉淀、演进的全生命周期。

报告列出的平台能力包括：多源多模态知识导入，配合本体增强生成（OAG）实现结构自动补全；多引擎分层推理；四维质量门与持续治理。

还包括Skill+MCP+CLI三种轻量化开放框架，以及"数据访问→语义访问→推理访问→Action权限→审计追踪"的五级安全防护。平台能力已在数十个项目验证，除经营分析和存量营销，还有几个典型场景。

云网运维故障根因分析：传统方式单次模型构建与校准耗时8小时，从告警出现到根因确认平均需要近一小时。引入本体后，故障定位准确率从74%提升到89%，定位时长从58分钟缩短到27分钟，还形成了可跨省复制的标准化分析模式。

客户体验管理：网络侧与用户侧数据被打通，基站故障的用户影响面评估从人工跨系统排查降到分钟级。佣金风控：风控人员分析效率提升3倍以上，新规则验证周期从周级缩短到天级。

从两家局点到数十个项目，这套方法的可迁移性，比单个案例里的数字更有说服力。

八、报告给出的三句总结，和三类人的行动清单

报告最后把整套方法论收成了三句话。构建解决"准入"，让更多场景用得起；沉淀解决"积累"，让每一次使用不白费；演进解决"保鲜"，让本体始终靠得住。

报告也给出三个判断方向，值得放在一起看。一是多智能体协作对语义基础设施提出更高要求——没有统一的语义底座，智能体协作会陷入"各说各话"。

二是从试点到规模化部署的跨越，本质是组织问题：谁来维护、谁来仲裁、谁来保证跨场景的语义一致性。三是本体与AI能力的深度融合，AI的角色会从"辅助构建"走向"主动建议"。

面向不同角色，报告分别列出了行动清单。给数字化决策者：先选一个高价值、边界清晰、可量化验证的场景试点，并明确本体建设的主管角色。顺着这个逻辑往下推，《2026年AI人才报告拆解：只2%企业真准备好了》给了一组可以互相验证的数字。

给数据架构与AI平台负责人：先建立最小可行的质量门，避免"AI高产但返工多"。给业务架构师与领域专家：从日常工作中梳理可沉淀的业务对象、关系和规则，形成首批CQ。

想继续找智能体、企业架构与数字化方向的报告和方案，可以到运营动脉（www.yydm.cn）检索。

本体不是一次性项目，而是越用越值钱的语义基础设施——这句话，是整份白皮书所有案例的落点。

《2026智能体时代企业语义基础设施白皮书》讲了什么？

这是亚信科技发布的白皮书，面向运营商领域的数字化决策者、数据架构与AI平台负责人、业务架构师与领域专家。

报告从企业智能体落地的三大痛点出发，论证本体作为企业语义基础设施的必要性，并提出"构建-沉淀-演进"三位一体的方法论：构建要立在质量门槛上、沉淀价值是用出来的、演进要养在业务里。

智能体在企业落地到底卡在哪？

报告归纳了三大痛点：模型不理解企业，通用大模型缺企业特有的领域知识、业务规则和对象关系；AI能力不可复用、不可治理，每上一个新场景都要从头梳理；智能资产无法持续沉淀，业务专家的口径与规则随人员流动而流失。

报告认为，三者的共同根源是企业缺少一个让智能体"读懂企业"的中间层，也就是企业语义基础设施。

为什么报告主张用本体，而不是RAG或知识图谱？

报告把RAG、知识图谱、数据/指标平台与本体放在同一张表上对比，结论是四者并非替代关系，而是面向不同问题互补。RAG擅长非结构化知识的检索与生成，知识图谱强在关系表达，数据/指标平台解决数据口径与指标管理。

对于需要跨系统理解业务对象、开展复杂推理并支撑智能应用的场景，本体更适合作为统一语义基础。报告也提醒，本体的建设和治理成本相对更高。

报告里有哪些可验证的落地数据？

A局点经营分析场景，本体构建了173个对象、224组关系、19条业务逻辑，工单选表准确率从30%提升到85%左右，自动化交付率从15%提升到50%以上，端到端平均闭环时长从4.3天缩短到1.5天。换个角度看同一件事，《AWS企业级智能体部署指南》算的是另一笔账。

B局点存量营销场景，本体构建了26个对象类型、17条语义关系、6条业务逻辑，目标用户命中率达到传统方式的2.36倍。

什么是"四维质量评估"？

亚信把本体质量评估归纳为四个维度：业务合理性、语义质量、结构质量、数据可达性。

四个维度层层递进，任何一项不达标本体都不能发布。报告还用四个反例说明为什么要设质量门，例如一次性构建100多个对象仍无法支撑任何工单、flag=1被AI误读为"有效"而实际是"已删除"。

本体建完之后，怎么持续产生价值？

报告提出，"沉淀"由获取、评价、应用、反馈四环节闭环驱动，特征是自动获取加人工评价、自动应用加自动反馈，要沉淀使用模式、效果证据、业务知识三类资产。

而"演进"靠两类信号：正面信号告诉你缺了什么，反面信号告诉你什么错了。跨场景时可选择派生（从1到N）或融合（N到1），融合必须用各场景的CQ做回归验证。