桌面
添加运营动脉到电脑桌面
安装后将用独立窗口打开,并可在电脑桌面快捷访问
足迹
浏览记录
加载中...
查看更多

智能体用不起来,卡在企业不会说人话的这套语义上

作者:是欧仔吖 2026-11-20 21:09 2
广告

本文解读:《2026-智能体时代企业语义基础设施白皮书-亚信科技&广东联通&清华AIR实验室-44页》 · 共 44 页 · 原文

智能体落不了地,卡住的往往不是模型能力,而是企业自己那套说不清的业务语义。

这份白皮书由亚信科技、广东联通和清华 AIR 联合编写,一开篇就把数字摆了出来: Gartner 预测 2026 年底 40% 的企业应用会嵌入任务型智能体,2025 年还不到 5%; 但另一项 CIO 调研显示只有 17% 的组织真正部署了智能体,市场热、落地冷。

报告给的理由很直接。通用大模型遇上企业特有的业务规则和对象关系,状态是能聊不能懂。 业务人员问一句本月高价值客户流失率是多少,模型并不知道高价值客户怎么定义,也不知道对应哪张表。

它给出的解法是本体,也就是对企业对象、属性、关系和规则的结构化描述, 并把一套方法论压缩成三个字:构建、沉淀、演进。构建解决准入,沉淀解决积累,演进解决保鲜。

这不是提示词层面的一次小优化,而是要把业务语义做成一层共用的基础设施。

报告封面:《2026 智能体时代企业语义基础设施白皮书》

图源:《-智能体时代企业语义基础设施白皮书-亚信科技》(第1页)

一、三个痛点,指向同一个缺口

报告把智能体在企业里的挫折归成三类,每一类都对应一个具体的经分场景。 一是模型不理解企业,它不知道高价值客户由 ARPU 阈值、在网时长、套餐类型共同定义, 这些信息只写在业务规则里,不在训练数据里。

二是AI能力不可复用,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, 但模型没法把上一场景积累的语义理解直接搬过来,每次都得从零开始。

三是智能资产无法沉淀。业务专家脑子里的取数逻辑和口径定义,会随着人员流动一起走掉, 新员工接手一个需求,往往要花大量时间去弄明白这个指标到底怎么算。

三个痛点放在一起看,缺的东西是同一个:一个让智能体读懂企业的中间层,报告把它叫作企业语义基础设施。它要承载的是可跨场景、跨项目、跨团队复用的语义资产。

报告特意强调了它的定位,是基础设施而不是工具。工具解决单个场景,基础设施提供跨场景、跨项目、跨团队复用的语义资产。

参编单位与参编人员:亚信科技、广东联通、清华AIR、VERYK GROUP

图源:《-智能体时代企业语义基础设施白皮书-亚信科技》(第3页)

二、为什么是本体会,而不是 RAG

实现语义层这条路不止一条,业界常见的还有 RAG、知识图谱和数据指标平台。报告做了一张四方对照表,结论是互补而非替代。

RAG 解决的是检索与生成,适合文档问答和非结构化知识的获取,但对复杂业务对象关系和确定性推理的能力有限。 知识图谱擅长表达实体和关系,本身却仍然需要与业务语义、数据和应用机制结合才跑得动。

数据指标平台管的是数据是什么、怎么算、怎么取,属于数据治理那一层。 报告引用爱分析的市场洞察,把国内的实践归成四类路径:知识工程、语义层、业务本体、可执行本体。

本体的优势在跨系统理解业务对象、关联业务关系、支撑复杂推理。 它把 RAG、知识图谱、指标平台串在一起,坐在业务语义、数据和智能应用中间那一层。

代价也写得很清楚。报告自己的表述是,本体的建设和治理成本相对更高,而且需要统一业务语义、跨源关联和复杂关系表达。选择它,本质上是拿建设成本换理解深度。

RAG 让模型能查到资料,本体让模型知道两个字段必须一起看才算数,差别在这里。

目录:五章结构,从痛点、构建、沉淀、演进到总结

图源:《-智能体时代企业语义基础设施白皮书-亚信科技》(第5页)

三、先别问怎么建,先问建在哪

本体实践的第一个问题不是技术,而是场景选择。报告说得很直白:不是所有场景都适合建本体,起点选错,投入巨大但收效甚微。

它给了一个反例。A 局点早期试图一次性构建全量本体,产出一百多个对象之后,仍然支撑不了任何一张工单。 质量门后来补上的第一道关口,评的不是对象本身,而是场景选择。

判断该走哪条路径,报告建议不看数据基础好不好,而看当前最痛的问题是什么。如果痛点是大模型读不懂字段的业务含义、找表错误、SQL 生成不准,就从语义层路径切入,先解决数据怎么说的对齐问题。

如果痛点是业务逻辑复杂、需要可解释的结构化推理,传统 RAG 或标签匹配顶不住,那就从业务本体路径切入。语义层以数据集字段为起点做语义补全,业务本体以客户、订单、设备这类业务对象为起点建模,可执行本体再往上加 Functions 和 Actions。

三条路径不是高级与低级的差别,而是问题本质不同。语义层积累够了可以长成业务本体,业务本体成熟了可以升级成可执行本体;反过来,跳过场景上来就建全量本体,只会像 A 局点早期那样堆出一堆用不上的对象。

引言:智能体从对话工具走向企业级协作伙伴

图源:《-智能体时代企业语义基础设施白皮书-亚信科技》(第6页)

四、A 局点的取数:从找表三成准到八成五

A 局点做的是经营分析里的取数场景。引入本体之前,大模型直接或间接支撑的需求工单覆盖率不到 15%,大量取数还得人工开发。

三类毛病摆在那里:业务语言翻译成 SQL 靠模型猜,幻觉高;知识没法沉淀,新需求从零摸索;没有统一审核标准,代码冗余堆积。

它选了语义层路径,从表与字段的语义补全入手,设计了对象名称、表类型、用途、存储模式和使用约束这四要素描述模板, 让模型能准确判断每张表是什么、该怎么用。

结果是选表准确率从 30% 提到 85% 左右,工单自动化交付率从 15% 提到 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% 的工单压到了小时级,开发周期压缩到分钟级别。

人机协作的方式也值得记一笔。AI 基于表结构、样例数据和历史 SQL 自动生成描述草稿,业务专家逐条审核纠错, 构建效率从 12 个工作日缩短到 1.5 个工作日。

报告举的纠错例子很典型。flag 等于 1 被 AI 解释成有效,实际含义是已删除,这种错会让生成的 SQL 漏掉关键过滤条件。这个场景最后长到了 173 个对象、224 组关系、19 条业务逻辑,这些格子全是被一千两百多张工单一张张磨出来的。

第1章:企业面对的挑战与解法

图源:《-智能体时代企业语义基础设施白皮书-亚信科技》(第8页)

五、B 局点的营销:命中率是传统方式的 2.36 倍

B 局点做的是存量用户营销。在这之前,每轮营销策略从需求提出到上线以周为单位,规则是静态标签,识别人群靠人工写 SQL。

痛点有三个:规则固化,跟不上用户行为变化;语义鸿沟,业务人员的自然语言要由 IT 翻译成 SQL,沟通成本高还容易失真; 识别不准,标签库加 SQL 的办法难以精准匹配产品,也躲不掉对无需求用户的无效营销。

它走的是业务本体路径,从业务流程和核心 KPI 出发梳理对象与关系,采用本体约束加大模型推理的双驱架构, 按九步业务流程完成改造。

九步是:业务输入、意图理解、对象绑定、种子提炼、需求推理、产品适配、客群生成、解释投放、效果闭环。 首批本体规模只有 26 个对象类型、17 条语义关系、6 条业务逻辑。

在相同用户池、相同营销目标和产品范围的评估条件下,本体方案的目标用户命中率达到传统方式的 2.36 倍。两个局点的对照很清楚。A 局点的问题在数据说不清,B 局点的问题在业务怎么建模,路径不同,但起点都是先定场景、再谈规模。

报告对两个局点的数据同样加了注,选表准确率以 Top-N 选表结果为统计口径,自动化交付率按无需人工开发完成交付的工单占比计算,引用时把这句带上更稳妥。

首批 26 个对象换来 2.36 倍命中率,说明本体这件事,规模小不丢人,没被验证才真丢人。

倍命中率,本体这件事,规模大小不丢人,没验证才丢人。

RAG、知识图谱、数据平台与本体的对比

图源:《-智能体时代企业语义基础设施白皮书-亚信科技》(第9页)

六、质量门四个维度,缺一个都不能发

AI 产出越多、返工越多,这是报告在四维质量评估那一节给的前情。它把业务专家的判断固化成四条可执行的评估标准。

业务合理性看对象和规则是否覆盖场景的完整逻辑,验证方式是能力问题(CQ),确保本体建对方向。 语义质量看名称和描述是否准确反映业务含义,靠术语一致性和样例验证,确保说对意思。

结构质量看对象划分、关系类型和层级是否合理,靠冲突检测和结构校验,确保拆对关系。 数据可达性看每个对象能否映射到真实数据源的表和字段,靠数据源映射校验,确保连上数据。

四个维度层层递进,任何一项不达标,本体都不能发布。落地时它变成三层机制:CQ 验收、语义一致性与约束检测、推理链路校验。

报告给了两组数字说明关系为什么不能省。初期 24 张表只配了 10 组关系,选表准确率停在 70%,补齐到 23 组之后升到 90% 以上。 另一次 AI 从零产出 57 个对象、32 条关系、18 条逻辑,稽核后砍到 24 个对象、23 组关系、8 条逻辑。

报告为此定的调子是边建边评,不过关不发布。不是先把模型建完再检查,而是把质量门槛嵌进构建流程里。

质量门和价值评价的分工也划得很清楚。质量门评的是刚建好的片段能不能用,价值评价回答的是已入库的资产在企业里值不值。

方案对比表续页与互补关系结论

图源:《-智能体时代企业语义基础设施白皮书-亚信科技》(第10页)

七、沉淀是把用过的钱再赚一遍

本体建完不是结束。报告的语气很明确:价值不在建完的那一刻,而在用起来之后。用一次释放一次,用一百次沉淀一百条可复用的资产。

要沉淀的有三类。使用模式回答什么是高频的,比如高频表清单、常用指标、典型需求路径,让新需求精准定位而不是大海捞针。

效果证据回答什么是有效的,包括规则命中率、误判率、闭环时长变化。报告把它叫作事前预警而不是事后总结, 如果一条规则在五个需求里准确率都低于 60%,下一个需求就不该再押它。

业务知识回答什么是新发现的。业务专家发现这个场景的用户行为其实有三类而不是两类,这条认知不写下来就只存在于一个人的脑子里。

运转机制是四环闭环:自动获取、人工评价、自动应用、自动反馈。人工只在评价这一环介入,而且只做判断、不做记录。

价值评价则看四个维度:应用频度、业务价值、场景内复用度、健康度。报告提醒,沉淀了半年从没被调用的资产,它的价值本身就值得怀疑。

沉淀不是为了留档,而是为了让第一百个需求,能直接站在前九十九个需求的肩膀上。

第2章:构建本体要立在质量门槛上

图源:《-智能体时代企业语义基础设施白皮书-亚信科技》(第13页)

八、演进靠两路信号,跨场景靠派与融

本体不演进,就会从资产退化为负债。报告举的例子极其朴素:去年高价值客户的门槛是 ARPU 大于 100,今年可能变成大于 120。

推动演进的信号分两类。正面信号告诉你缺了什么,新属性、新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。

A 局点半年时间里,对象从 24 个长到 173 个,关系从 23 组扩到 224 组,逻辑从 8 条增加到 19 条,选表准确率从 30% 走到 85%。 B 局点则补了流失风险属性,加了多卡用户识别的前置逻辑。

跨场景有两种走法。派生是从已有本体复制核心对象和关系作起点,剪裁增补之后各自独立演进,解决从 1 到 N 的扩展。

融合是在多个本体出现语义重叠、且需要跨域协同时,统一共享对象的语义标准、建立共享层,解决从 N 到 1 的统一。 融合之后,共享层又成为新的派生起点。

报告提醒演进不等于无限扩张。随着对象和场景增多,要同步评估语义复杂度、治理成本与实际收益, 优先演进能产生明确业务价值的部分,避免为追求全面覆盖引入不该有的复杂度。

派生的前提也很清楚:新场景还得走一遍自己的 CQ 验收,融合则要对所有场景做 CQ 回归测试。

这份报告的原文件,连同可对照的原始图表,都放在运营动脉(www.yydm.cn)上,随时能翻。

对着原文的图表再过一遍,比只看二手转述踏实,也不容易被断章取义的说法带偏。

九、云网运维那个案例,数据比营销更硬

报告在平台实践那一节列了三个运营商场景,云网运维的故障根因分析最实在。

过去单次模型构建与校准要花 8 小时,从告警出现到根因确认平均近一小时,定位严重依赖专家经验。 引入本体之后,故障定位准确率从 74% 提到 89%,定位时长从 58 分钟缩短到 27 分钟,而且形成了可跨省复制的分析模式。

客户体验管理解决的是另一个问题。传统无线运维能回答网络哪里有问题,回答不了影响了谁、为什么, 本体把网络侧和用户侧的数据打通之后,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。

佣金风控是第三个。过去依赖单点规则,跟不上翻新的套利手段,引入本体后分析效率提升 3 倍以上, 新规则验证周期从周级压到天级。

支撑这些的是亚信的数智本体平台,采用一个电信核心本体加 N 个场景本体的双层架构, 并开放 Skill、MCP、CLI 三种轻量调用方式,让本体能力可以被智能体直接调用。

报告对这套数据加了注,各指标的统计口径、样本规模和测试条件因项目而异。引用的时候这句免责值得带上。

十、给三类人的行动建议

给 CIO 和 CDO 的第一条,是选一个高价值、边界清晰、可量化验证的场景做试点。报告点名的优先切入点是高频取数、口径争议大、以及跨域关联多这三类场景。

第二条是组织保障。本体不是建完即结束的项目,需要明确主管角色和业务协同机制,持续运营。 第三条是演进路线,从语义层或业务本体起步,验证价值之后再考虑可执行本体,别一上来就追求一步到位。

给数据架构与 AI 平台负责人的第一条,是建立最小可行的质量门,哪怕先做 AI 产出加人工校验,也能避免高产但多返工。

给业务架构师和领域专家的建议最克制:本体的价值不在于全面,而在于准确。AI 负责草稿生成,业务专家的判断才是本体质量的天花板。

报告在展望里点了三件事,多智能体协作需要共同的语义语言,规模化部署的难点在治理机制而不在技术, AI 的角色会从辅助构建走向主动建议。其中第二件,报告直接说这不是技术问题,而是组织问题。

2026-智能体时代企业语义基础设施白皮书-亚信科技&广东联通&清华AIR实验室-44页
来源:发现报告(www.fxbaogao.com/view?id=5712248)| 引用请注明出处智能体时代企业语义基础设施白皮书 1 来源:发现报告(www.fxbaogao.com/view?id=5712248)| 引用请注明出处智能体时代企业语义基础设施白皮书 2 参编单位与参编人员 亚信科技(中国)有限公司 欧阳晔 亚信科技首席执行官、IEEE Fellow 陈胜 亚信科技首席技术官、...
44 页 3 次下载 3.05 MB
广告

声明:除非特别标注,否则均为本站原创文章,转载时请以链接形式注明文章出处。如若本站内容侵犯了原著者的合法权益,可联系本站删除。

确认删除?
会员
教程
联系
  • 站长微信
顶部