您可以捐助,支持我们的公益事业。

1元 10元 50元





认证码:  验证码,看不清楚?请点击刷新验证码 必填



  求知 文章 文库 Lib 视频 iPerson 课程 认证 咨询 工具 讲座 Model Center 汽车系统工程   模型库
    学习助手
会员   
   
FDE(前沿部署工程师)实践指南
11月11-12日 北京+线上
OCSMP 认证培训
11月19-20日 北京+线上
AI赋能产品管理实战
12月10-11日 北京+在线
     
   
 订阅
一文搞懂本体论(Ontology)驱动的 FDE 交付模式:RAG、知识图谱、Ontology 和 Agent
 
作者:AllenTang
  19   次浏览      1 次
 2026-11-17
 
编辑推荐:
文章介绍了本体论(Ontology)驱动的 FDE 交付模式:讲清 Ontology 与 RAG、知识图谱、Agent 的分工,说明如何用业务对象、规则和受控动作让 AI 在业务约束下参与可审计的工作流程,并由 FDE 交付到生产环境,希望对您的学习有所帮助。
本文来自于架构师带你玩转AI(公众号),由火龙果软件Alice编辑、推荐。

企业已经接入大模型、建设知识库、开发 Agent,为什么不少项目仍停留在演示和辅助问答?一个常见原因是:AI 能找到资料、调用接口,却未必理解企业里的业务对象、状态、规则和操作边界。

Ontology(本体)尝试把企业业务世界组织成 AI 可理解的对象与关系;FDE(Forward Deployed Engineering,前线部署工程)则把工程师带到真实业务现场,围绕具体问题完成集成、验证和交付。 两者结合,关注的不是多建几个 Agent,而是让 AI 在业务约束下参与一条可衡量、可审计的工作流程。

本文从一个制造业场景出发, 讲清 Ontology 与 RAG、知识图谱、Agent 的分工,什么是面向执行的业务本体,以及 FDE 如何把它交付到生产环境。 它是一种可选的工程思路,不是所有企业 AI 项目的必选架构。

01 先看一个真实的业务问题

假设一家制造企业的一台关键设备突然故障,预计停机八小时。企业有一笔下周交付的客户订单,生产计划可能因此受到影响。

企业真正需要处理的,不只是“设备故障的原因是什么”,还包括:这台设备承担哪些工单?这些工单关联哪些客户订单?是否有替代产能和可用物料?调整计划会不会让其他订单延期?谁有权批准变更?如果方案获批,怎样确认 MES 或 ERP 中的实际状态已经更新?

RAG 可以从故障报告、维修手册和制度中找出相关资料;Agent 可以调用设备查询、库存查询等工具;知识图谱可以帮助追踪设备、工单和订单之间的关系。但要把这些能力组织成一次受控的业务处理,还需要系统理解对象的业务含义、当前状态、规则和允许执行的动作。

这正是 Ontology 在企业 AI 架构中受到关注的原因之一: 它试图提供一层共同的业务语义,让 AI 不只读到字段和接口,还能围绕“设备”“工单”“订单”等业务对象开展工作。

02 RAG、知识图谱、Ontology 和 Agent,各自解决什么问题?

这些技术不是彼此替代的“升级版本”,而是可以组合的不同能力。


能力 主要回答的问题 在设备故障场景中的例子
RAG 哪些文档和文本与问题相关? 找到设备维修手册、故障记录和处置制度
知识图谱 哪些实体之间存在关系? 查出设备关联的工单,以及工单对应的订单
Ontology 业务对象、关系、状态和约束分别意味着什么? 说明哪些工单受设备故障影响、什么条件下允许改派产线
Agent 如何理解任务、组织推理并选择下一步? 汇总影响、比较方案,按流程查询或发起审批
Workflow / Runtime 流程如何运行、状态如何保存、权限如何检查? 记录执行进度、处理失败,并在需要时暂停等待审批

实际系统里的边界会因平台而异。有些产品把对象、规则、动作和权限都放进 Ontology,有些则分别由语义层、规则服务、工作流和业务 API 承担。判断一个系统是否有用,不能只看它采用了哪个名词,而要看业务语义是否清楚、数据是否可信、操作是否受控。

03 什么是面向执行的业务本体?

传统本体主要用于明确一个领域里的概念、属性、关系和逻辑约束。企业 AI 项目谈到“可执行本体”时,通常还会把状态、业务规则、计算逻辑和受控动作连接起来。它不是单纯把数据画成一张图,也不意味着本体定义完毕,Agent 就能自动安全地操作生产系统。

以生产异常处理为例,一个面向业务运行的模型可能包括以下部分:

业务对象 Objects

设备、生产线、工单、订单、客户、物料等对象,都需要有稳定的业务身份,并能对应到 ERP、MES、WMS 等系统中的权威记录。

业务关系 Relationships

设备属于哪条产线,工单使用哪台设备,工单对应哪些订单,生产任务需要哪些物料。关系不仅用于查询,也用于分析一项变化会影响哪些对象。

业务状态 States

设备可以处于运行、空闲、维修或故障状态;工单可以处于待排产、生产中、已完成等状态。状态转换应有明确条件,不能把字段值任意改写当成业务操作。

规则与计算 Rules and Computations

例如,只有具备相应工艺能力且有可用产能的生产线,才能承接某个工单;预计完成时间晚于承诺交期时,订单应进入风险评估。

确定性规则、优化算法和模型推理要各司其职。模型可以帮助理解非结构化信息、生成候选方案;正式业务规则、权限判断和关键计算应由可检查、可测试的机制承担,不能把模型生成的解释直接当作制度。

业务动作 Actions

动作可以是“申请排产调整”“请求物料调拨”“审批变更”,而不是直接暴露一个任意修改数据库字段的接口。一个可用于生产的 Action,至少要定义输入、前置条件、身份与权限、审批要求、执行目标、结果确认和失败处理。

例如,Agent 想把工单 W-207 转到 LINE-03,系统应先检查工艺适配、产能、物料齐套、工单当前状态和操作者权限。条件不满足时,动作应拒绝执行或进入审批流程。

因此,企业里所说的“可执行本体”更适合理解为: 业务语义模型与数据连接、规则、权限和动作运行机制共同构成的系统能力。 其中哪些能力由 Ontology 平台提供,哪些由其他服务承担,需要按具体架构说明。

04 Ontology 不取代 ERP、MES,也不等于知识图谱

企业通常已经有 ERP、MES、CRM、WMS 等系统,它们各自保存并维护权威业务记录。Ontology 不应默认成为所有业务数据的新主库,也不必要求企业迁移原有系统。

更常见的目标,是在不模糊数据所有权的前提下,把多种来源映射成一致的业务对象与操作入口。例如,订单交期以 ERP 为准,设备运行状态以 MES 为准,用户身份和角色从企业身份权限系统读取。若数据冲突或不同步,系统应说明权威来源、更新时间和冲突处理办法,不能让模型临场猜测。

知识图谱可以存储或查询实体关系;Ontology 则强调概念和关系的业务语义,部分平台还会把规则与动作纳入建模。两者可以配合,但不是同义词:有知识图谱,不代表已经定义了完整业务语义;有 Ontology,也不意味着必须使用图数据库。

05 从故障事件到业务结果:一次完整的执行链

回到设备 M-08 故障的例子,一条有控制的业务链路可以是:

 

Agent 在这里负责需要语言理解、推理或方案组织的部分;规则引擎、优化器和业务系统负责各自适合的确定性计算与正式操作;Runtime 或工作流负责状态、权限、审批、重试和审计;Ontology 提供业务对象及其关系的共同语义。

这条链路并不要求全自动。涉及客户承诺、资金、合同、生产安全或高影响排产的动作,通常需要明确的审批与人工责任。系统的价值也不只看“Agent 是否执行”,还要看它是否识别风险、能否在权限边界处停下来。

06 FDE 是什么?为什么它适合这类交付?

FDE 是 Forward Deployed Engineering 的缩写,可译为前线部署工程。 它描述一种贴近客户真实业务环境的工程交付方式: 工程人员与业务和 IT 团队一起识别问题、理解数据与流程、构建系统、接入生产环境,并依据实际运行结果持续改进。

FDE 不等于“派工程师驻场写代码”。仅按客户临时需求开发功能,可能仍然是传统定制交付。FDE 的关键在于把业务问题、工程实现和结果验证放在同一个过程中:

  1. 理解任务在现场如何发生,而不只照着功能清单开发;
  2. 找到能够支持判断和执行的业务事实、数据来源与责任人;
  3. 将对象、关系、规则、动作和权限设计成可运行的系统;
  4. 在真实流程中验证效果,发现问题后调整模型和工程实现;
  5. 把经过验证且可泛化的连接器、测试、对象模板和方法沉淀下来。

这类模式适用于流程复杂、跨多个系统、例外情况多、且业务价值必须在生产环境验证的项目。若需求标准、产品成熟、集成路径固定,常规产品实施通常更直接,未必需要 FDE。

07 FDE 的五阶段交付方法

以下是围绕 Ontology 和 Agent 项目的一个实用交付框架。阶段可以迭代,不代表每个项目都要按同样顺序或建设同等规模的平台。

阶段一:业务诊断,选定一条可衡量的闭环

先观察任务如何开始、谁参与决策、信息分布在哪些系统、异常如何处理。把问题写成具体场景:谁在什么情况下要完成什么任务,当前耗时或风险是什么,改善后如何判断有价值?

“建设企业 AI 平台”不是可验证的业务目标;“缩短设备故障后识别受影响订单并形成可审批方案的时间”则更接近可讨论的切入点。指标应与客户共同定义,并设定基线和数据来源。

阶段二:最小本体建模,先表达任务所需语义

不要一开始试图建完集团所有部门的对象和规则。针对选定闭环,只建模必需的对象、关键关系、相关状态和少量动作,并标明每项事实的权威来源、更新频率、负责人和权限要求。

例如,生产异常处置的第一版可能只涉及设备、生产线、工单、订单和物料,以及“申请排产调整”“确认执行结果”等动作。跑通之后,再依据真实缺口扩展对象和规则。

阶段三:组装应用,让 Agent 使用业务上下文

把 Agent 放进明确的业务边界中:它能查询哪些对象、能调用哪些动作、哪些判断要交给规则或算法、何时必须转人工。MCP 等协议可用于连接工具,Skills 可保存可复用的操作方法,Workflow 负责固定流程,Agent 处理需要动态理解和规划的部分。

这些技术各有职责。不要把业务定义、规则、权限和失败处理全部塞进 Prompt,也不要让 Agent 直接持有不受约束的系统级写权限。

阶段四:影子运行与评估,先检查再开放操作

先用历史案例和代表性任务验证系统,再考虑影子运行:Agent 产生分析和建议,但不修改生产系统;团队将其结果与人工处理结果比较,检查事实来源、方案可行性、异常覆盖和权限行为。

评估集应覆盖正常流程、边界条件、过期或冲突数据、权限不足、接口超时和重复请求等情况。对高风险动作保留审批、幂等控制、审计和补偿方案。达到双方约定的质量与安全标准后,再逐步扩大权限和使用范围。

阶段五:生产运行与资产沉淀

上线后既要看模型输出,也要看业务系统里的实际状态:Action 是否执行、是否产生重复操作、异常是否有人接手、用户是否采用、业务指标是否变化。模型、数据、规则或流程调整后,要重新检查相关评估案例。

FDE 还应识别哪些工作能复用:行业对象模板、数据连接器、动作封装、测试案例、评估方法和部署流程。复用的是经过验证的方法与组件,不是把一家客户的业务规则原样复制给另一家。

08 这套模式最难的地方是什么?

Ontology 和 FDE 不会自动消除企业系统的复杂性,反而会让一些原本隐含的问题更明确地暴露出来。

  • 语义不一致 “订单完成”对销售、生产和仓储可能意味着不同状态,需要明确各自定义及适用场景。
  • 状态不同步 本体里显示设备正常,MES 已记录故障。系统需要标注数据时间、来源和新鲜度,并定义冲突处理方式。
  • 动作不可靠 接口超时不一定代表操作失败。重试可能产生重复订单,因此需要幂等键、异步状态查询和补偿机制。
  • 权限和责任复杂 Agent 代表谁行动?能看到哪些客户?审批针对哪个具体操作?这些都要进入身份、授权和审计设计。
  • 模型需要维护 业务变化后,谁更新关系和规则?版本如何管理?变更会影响哪些 Agent、动作和测试?没有维护责任人,本体会逐渐过时。
  • 交付难以规模化 若每个客户都靠专家从头建模、写定制代码,项目价值可能存在,但交付成本很难下降。需要持续把共性能力产品化,同时保留合理的客户差异。

此外,很多企业的数据基础、流程责任和系统接口尚未准备好。先解决数据质量、身份权限或流程数字化问题,可能比直接建设本体平台更重要。

09 什么时候值得考虑 Ontology 驱动的 FDE?

这套方式更值得评估的场景,通常有几个特征:

  • 一个任务要跨多个业务系统和部门;
  • 对象之间的关系会影响判断或操作;
  • 业务状态和规则复杂,且变化会带来连锁影响;
  • Agent 不只是回答问题,还需要申请或执行业务动作;
  • 操作必须有权限、审批、审计和失败恢复;
  • 企业愿意提供业务专家、系统负责人和生产环境反馈,并承担持续维护。

如果只是查制度、总结文档,RAG 可能够用;如果是简单、固定的表单录入,普通 Workflow 加人工确认可能更合适;如果业务对象少、系统边界清楚,也可以先用轻量的数据模型和 API。是否引入 Ontology,应由跨系统语义和执行治理的实际需求决定。

10 从 Agent-Centric 到 Business-Centric?

很多早期 Agent 架构从 Agent 本身出发:先配置模型、Prompt、Memory 和工具,任务复杂时再增加 Agent。这个方式适合快速验证,也能解决不少局部问题。

当多个 Agent 开始处理同一组订单、库存、设备和客户时,仅靠消息传递不够。不同 Agent 可能引用不同来源、采用不同状态定义,或者对同一业务动作有不一致的理解。共享业务语义可以帮助它们基于一致的对象定义协作,但共享语义并不意味着所有 Agent 共享全部数据或权限。

因此,一种可能的架构思路是:Agent 负责不同任务,业务对象、状态和受控动作提供更稳定的协作基础。这不意味着企业必须建设一个庞大的集中式本体平台;可以从一个明确的业务闭环开始,验证共享语义是否真的减少了重复解释和执行冲突。

结语:Ontology 定义业务语义,FDE 把语义带进生产

RAG、知识图谱、Ontology、Agent 和 FDE 关注的问题不同:RAG帮助找到资料,图谱连接实体与事实,Ontology 表达业务概念和约束,Agent 组织推理与任务,FDE 则把这些能力带入真实环境并验证交付效果。

Ontology 不能替代业务系统,FDE 也不能靠驻场本身创造价值。 前者需要可信数据、明确语义、权限治理和持续维护;后者需要从具体业务问题出发,以生产结果检验方案,并把可复用经验沉淀为工程资产。

这套模式最实际的起点,不是“先建一套企业本体”,而是选一条跨系统、影响明确的业务流程,确认事实来源与责任边界,再做足够小的对象模型和受控动作。只有当它在真实工作中改善了可衡量的结果,扩展本体和交付体系才有依据。

Ontology 为 AI 提供业务语义,Agent 在明确约束下处理任务,FDE 与客户一起把它变成可验证、可维护的生产系统。

   
19   次浏览       1 次
相关文章

基于图卷积网络的图深度学习
自动驾驶中的3D目标检测
工业机器人控制系统架构介绍
项目实战:如何构建知识图谱
 
相关文档

5G人工智能物联网的典型应用
深度学习在自动驾驶中的应用
图神经网络在交叉学科领域的应用研究
无人机系统原理
相关课程

人工智能、机器学习&TensorFlow
机器人软件开发技术
人工智能,机器学习和深度学习
图像处理算法方法与实践

最新活动计划
AI时代的需求分析师培养 11-4[北京]
MBSE(基于模型的系统工程) 11-11[北京]
FDE(前沿部署工程师)实践 11-12[北京]
OCSMP 认证培训 11-19[在线]
UAF架构体系与实践 11-24[北京]
AI赋能产品管理实战 12-10[在线]
国产化数据库设计&优化 12-24[北京]
 
 
最新文章
AIGC技术与应用全解析
详解知识图谱的构建全流程
大模型升级与设计之道
自动驾驶和辅助驾驶系统
ROS机器人操作系统底层原理
最新课程
人工智能,机器学习和深度学习
人工智能与机器学习应用实战
人工智能-图像处理和识别
人工智能、机器学习& TensorFlow+Keras框架实践
人工智能+Python+大数据
成功案例
某综合性科研机构 人工智能与机器学习
某银行 人工智能+Python+大数据
北京 人工智能、机器学习& TensorFlow
某领先数字地图提供商 Python数据分析
中国移动 人工智能、机器学习和深度学习