- 博客(15)
- 收藏
- 关注
原创 你的Agent为什么需要本体?
哪怕是简易、临时搭建的轻量化本体,也能让Agent获得这些能力:✅ 校验自身输出是否符合业务规则✅ 拒绝编造不存在的实体关联✅ 基于真实业务结构做检索✅ 稳定、一致地向业务系统回写数据✅ 遇到超出规则范围时优雅失败,而不是一本正经地胡说八道。
2026-09-19 12:01:49
148
原创 从看懂数据到改变业务:语义层与本体运行层的真正区别
企业Agent进入生产环境以后,准确回答问题只是起点。语义层解决的是理解一致性:字段是什么意思,指标怎样计算,哪个来源更可信,Agent应该怎样查询数据。本体模型解决的是世界建模:企业中存在哪些对象,它们如何关联,当前处于什么状态,哪些规则和约束必须成立。本体运行层解决的则是行动边界:哪些动作可以作用于哪些对象,什么条件下允许执行,由谁审批,如何写回,以及如何确认现实真的被改变。所以,两者最重要的区别不是一个使用SQL、另一个使用知识图谱,也不是一个简单、另一个高级。
2026-09-15 12:34:38
410
原创 AI“无利润繁荣”:仅有10%的企业实现了财务回报
罗兰贝格AI实验室发布《跨越AI价值鸿沟》调研报告,基于2025年12月对全球五大区域、五大行业共计203位企业高管深度访谈调研,揭开全球企业AI转型的“无利润繁荣”困境:近九成企业AI投资回报不及预期,AI技术落地速度显著快于商业变现速度,绝大多数企业陷入“看得见效率,看不见利润”的转型泥潭。其五,建立长效运营机制,老旧系统是全行业共同痛点,即便是领军企业也有57%视其为重大挑战,但71%的领军企业选择直面难题,推动存量系统适配AI改造,迟滞企业却选择妥协回避,进一步加剧数据孤岛。,占全部样本49%。
2026-09-11 16:56:09
278
原创 降低 AI Agent 的 Token 消耗,我们做了这 9 个系统级优化
工具 Schema 也是一种经常被忽略的 Token 成本。当 Agent 拥有大量工具时,如果每次请求都把所有工具的完整定义传给模型,即使绝大多数工具根本不会被使用,也会产生固定的上下文开销。现在,工具发现分为两个阶段:第一阶段只提供少量相关工具的名称和简短能力说明;第二阶段只为 Agent 实际选择的工具加载完整定义。这种做法类似软件系统里的懒加载:先知道有什么能力,真正使用时再加载详细说明。工具越多,这种优化的价值越明显。
2026-09-10 22:25:32
193
原创 Palantir的本体怎么落地(一):建设T-Box
金额建模时,一个常见坑是只保存数字,不保存币种。12500 究竟是人民币、美元还是欧元?正式系统可以进一步把金额建成 MonetaryAmount 对象,使数值、币种和汇率来源始终绑定。为了让第一版易懂,我们暂时把金额和币种分别保存在单据上,但必须把这种简化记录在模型说明里。
2026-09-10 21:58:36
209
原创 Databricks的Genie Ontology并不是严格的本体
为了进一步观察这个机制,我们设计了一个大模型不可能预先知道的企业术语:洛塔组,内部代码为 LT-7。它表示一组由经营委员会指定、每周进行跨部门复核的客户。哪些客户属于洛塔组,完全由内部名单决定,与国家、销售额或客户等级没有必然关系。如果只把客户表交给 Genie,它不可能从“洛塔组”三个字推出成员名单。洛塔组对应内部项目LT-7客户与LT-7之间的成员关系。
2026-09-09 10:49:22
272
原创 爆火的Databricks Genie One是如何实现语义层的?
在治理底座之上,Unity Catalog Semantics 开始回答“这些数据在业务上意味着什么”。企业可以通过 Metric Views 定义销售额、毛利率、客户数等可复用指标,以及国家、客户、月份等分析维度;通过 Domain 组织不同业务领域的数据资产;通过 Pages、认证和弃用标记,说明术语、实体以及哪些资产是被组织认可的。例如,“人民币销售额”不必每次都由 Genie 临时决定计算方式,而可以被明确建模为统一指标:使用哪个金额字段、采用什么汇率、按照订单日期还是收款日期计算。
2026-09-08 08:15:20
267
原创 知识图谱管事实,本体管规则:企业AI最容易混淆的两层
假设一个企业Agent收到这样的指令:把这位客户的订单优先发货。对今天的大模型来说,从语言层面理解这句话并不困难。接上工具之后,它看起来也能调用订单系统的API。真正困难的是接下来的问题:“这位客户”究竟对应CRM里的哪个人?他是联系人、签约主体,还是实际收货人?订单目前在哪个仓库?库存是否已经锁定?客户被标记为VIP,是否就一定符合优先发货条件?如果订单里有危险品,还能不能改为空运?这个Agent有没有修改订单的权限?是否需要人工审批?这些问题,仅靠大模型“懂语言”解决不了。
2026-09-06 10:51:28
316
原创 Palantir的AI产品到底能不能帮企业省人?我们深度调研了这个问题
如果只把AI价值定义为减少员工,就容易错过另一类可能更重要的收益:同样的团队能否接住更多订单,同样的设备能否减少停机,同样的床位能否服务更多患者。反过来,也不能因为这些愿景动人,就跳过成本、数据质量、组织改造和证据检验。AIP值得研究,是因为它把讨论从“模型会不会回答”推进到了“企业怎样组织AI参与行动”。它提供的是通向智能化运营的一套基础设施和方法,不是一张买下即兑现的提效保证书。
2026-09-04 10:15:37
247
原创 Agent数量翻10倍,AI账单却没涨:Uber 降本的5把刀
当一家公司的AI编程工具只给几十个人试用时,Token贵一点,通常还不是最紧迫的问题。但当Agent进入代码生成、代码审查、CI修复、线上告警分析和日常运维,情况就不同了。每一次工具调用、每一轮上下文回传、每一个被派出去的子Agent,最后都会进入账单。Uber最近公开了一组很有冲击力的数据:超过70%的Pull Request被归因于本地或云端Agent;内部已经积累了,每天执行超过。2026年2月至8月,Agent产品的周活跃用户增长到原来的7倍,每周请求量增长到。
2026-09-03 10:21:10
358
原创 我让 Codex 自己做视频,顺便看懂了 Agent Runtime
根据一篇 Blog 生成视频”并不是一个特殊的演示案例,它代表了 Agent 在真实环境中处理复杂任务的一般方式。用户只提供目标,模型负责理解目标、规划步骤和解释结果,Skill 提供专业方法,工具负责执行动作,沙箱负责限制风险,Runtime 负责把所有动作和结果串起来。当渲染失败时,错误会回到模型;当上下文过长时,系统会整理工作现场;当用户追加要求时,输入会进入任务队列;当程序退出时,历史可以被恢复;当任务足够复杂时,还可以拆分给多个 Agent。
2026-09-02 08:51:55
321
原创 人在环路:我们用本体技术给Agent造了一套审批系统
它描述什么是审批策略、审批阶段、候选人选择器、职责分离、证据要求、委派、升级和有效性边界。例如:目标项目的项目经理可以审批;高风险付款必须经过财务与法务阶段;申请人不得自批;两个阶段必须由不同的人完成。
2026-09-01 15:14:03
323
原创 Semantica:真的是开源Palantir吗?
大模型让AI拥有了语言能力。Agent框架让AI能够调用工具。业务系统让AI有机会执行操作。但在它们之间,还缺少一个容易被忽视的部分:AI如何理解这家企业?企业中有哪些业务对象;对象之间是什么关系;当前状态是什么;哪些信息值得相信;哪些规则必须遵守;一个结论为什么成立;一项决策产生了什么影响。Semantica尝试建设的,正是这样一层基础设施。它不会直接替企业完成经营,也不会自动生成所有业务规则。
2026-08-31 18:48:11
467
原创 Agent可以不再等你说“继续”?拆解Codex的 /goal 命令
<think>我们根据要求,需要生成一篇≤150字的文章摘要。内容是关于AI编程工具Codex的/goal机制的实现原理。摘要要简洁,涵盖核心:/goal将目标持久化,通过循环机制自动续跑,区分目标生命周期与对话轮次,并强调验收仍需系统级确认。需控制在150字内。</think>Codex的/goal机制将目标持久化存储于SQLite,目标生命周期独立于对话轮,通过外层循环在每轮结束后自动续跑,避免反复“继续”。续跑模板约束模型防止缩窄目标、相信旧结论、空转,但完成验证主要依赖模型调
2026-08-31 18:30:00
509
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人
RSS订阅