文章介绍了用友提出的本体驱动的智能体解决方案，构建包含对象、属性、关系等的数字孪生，可基于多源数据自动创建。相比传统RAG，本体智能体能更好理解业务逻辑，实现稳定准确的智能决策，已在客户管理、销售绩效等场景应用。本体理念与Graph RAG相似，但仍面临技术挑战需进一步优化。
鉴于目前企业级AI智能体面临的种种问题，Palantir及其提出的“FDE模式”、“本体论”等都成了近期很多AI企业重点关注和学习的对象。继之前提出FDE模式（[传统BI那套搞不好智能问数，用友分享AI时代问数落地方法论]）之后，用友近期又提出了本体驱动的智能体的解决方案，认为本体能够解决企业AI落地最后一公里的问题。
关于用友的本体智能体，目前信息和讨论尚不多，近期用友在直播中对于本体的智能体做了进一步的具体说明，以下是直播内容的整理和总结，供大家参考。
当前企业AI落地面临的挑战
大模型固有的一些技术挑战：幻觉、知识更新停滞、推理能力不足等。例如有些企业需要亿元级金额做汇率的换算，汇率精确到小数点后的八位，绝大多数的大模型进行这个计算都是错误的。又如受限于大模型输入限制，如果Excel在5万行以上，大模型分析Excel就很难实现结合上下文分析，而企业动辄百万行数据。
企业通过一些工程化手段落地，但属于无奈的选择。例如大模型本身可能只有80%的准确率，要做到更高的准确率，需要60%靠大模型，还要投入40%的工程化来提升准确率。又如为了让模型回答更具体，需要70%模型知识+30%外挂知识库来实现，但是知识库需要持续发现问题持续迭代。
智能体成为当前企业落地大模型的主要路径，企业的智能体中，20%来自厂商通用场景智能体，20%由IT和业务合作建设，60%由业务部门自建。
但是智能体的增多也依然面临很多问题
- 智能体孤岛：不同智能体数据可能不一致，一旦底层数据结构变动，成百上千的智能体维护工作巨大。
- 多模态数据融合难：非结构化数据和结构化数据很难统一起来使用
- 思考能力差：外挂知识库只是靠记忆碎片背答案，并不是真正理解背后业务逻辑，遇到新场景会懵。
- 不懂业务逻辑：发现应收账款风险之后，应该如何处置，AI无从判断。
什么是本体，怎么用
本体构建了现实世界的数字孪生，包含6个方面：对象、属性、关系、规则、模拟测算以及行动与反馈。
可以基于结构化和非结构化的数据自动创建本体
创建本体后，可以查看本体图谱
本体可以作为节点被编排到意图流中进行调用
有了本体，智能体可以结合语义理解进行数据洞察
一个具体的演示案例：
创建一个报销单的本体：首席智能官AI助手里面有“一句话构建本体”的预置命令，选择后，先是需要选择数据源，案例选择了一些相关的数据表，之后AI自动创建了一个本体的图谱，点击进行保存。
查看创建的本体图谱
展开其中的报销单，里面包含蓝色是带参数的动作，褐色为规则，粉色是数据实例，表示有一条关联在报销单主表上。
本体的使用：本体创建后，可以在编排流程中使用相关节点调用。
嵌入本体的费控智能体的问答展示
基于本体的企业AI解决方案是在原来的智能体解决方案之上的一个增量解决方案，原来开发的智能体仍然可以继续使用。
本体智能体的优势
引入本体满足企业AI的6个方面的需求：稳定准确、智能决策、进化、实时、开放、安全可靠
引入本体后，从RAG升级到OAG，智能体能够懂业务操作。
未来企业的AI架构，底层是数据层，中间是本体层，包含数据对象、关系、测算等。上面是智能应用层，含Agent平台和具体的Agent。
具体场景案例
客户标签管理
用友数据服务里有个客户标签的模型，可以构建不同的客户标签。以往销售做客户拜访的行程安排的时候，只能把这些标签结合起来用，如优先拜访高价值、高应收账款且出现诉讼的客户，这个过程中，结构化数据和非结构化数据是分开使用的。
有了本体后，可以做更精细的控制，比如把优先级分为10级，排程更加的精细。
销售员绩效管理
销售员分散在各地，管理者对于销售人员实际去拜访客户的具体情况并不清楚，以往管理销售员业绩的时候，采用拜访客户次数和业绩2个事后指标对销售员进行评价，其中的高访低成（拜访客户多，但是业绩低）销售员很忙但没业绩，以往只能人工跟访去判断这个销售员的能力。
本体智能体应用后，AI可以自动根据销售员写的拜访客户记录进行打分，评价几次拜访客户的记录是否相似，后续拜访是否在之前的基础上有所改善等，从而对业务员的评价更及时、准确和专业。这样可以增加一个维度对销售员做更精细的管理，以后还可以增加更多指标进行划分和管理。
原材料价格上涨问题
原材料价格上涨冲击企业利润是常见的问题，需要决策是否进行集采、提价等应对。假设毛利降到了警戒线，企业需要进行调价的模拟和测算。
以往调价模拟都是通过BI去做，现在通过本体的AI去做。原材料的预测可以AI自动预测。有了本体也可以调整颗粒度，并将计算按天甚至实时计算。
能源集团财务分析
能源集团的数据维度特别多，如不同组织、口径等，叠加起来可能性非常多，传统BI没法全部枚举，可能需要上万个智能体去做，没有本体没法保证数据的统一。有了本体可以保证上层智能体所有数据的统一。
金融业务问数
业务是金融、债券等场景的跨国金融集团，对数据准确率要求很高。查询类问题一个智能体给出答案后，需要另一个智能体的数据进行核查，但是当问题出现时，不好判断首先调用哪个智能体。
用友结合本体做了一个统一的入口：资金问数智能体，所有的智能体基于统一的本体，问数的时候，资金问数智能体先去查询主智能体，由主智能体去问本体问题，返回结果后，再调用其它智能体进行交叉验证，保证了数据的准确性。
AIE看法
简单的理解，本体就是个加强版的知识图谱，不仅含名词间的关系，还含了动词等。让大模型基于本体进行问答，就是让大模型能够梳理和理解业务概念之间的联系，在理解业务关系的基础上进行回答，比当前的纯RAG更准确。
本体的这一理念，和Graph RAG的理念比较接近，Graph RAG的确是能够提升模型问答效果，但是还面临计算量过高的问题，是比RAG的前进，但似乎仍不是最终答案，仍需要进一步优化。
面对RAG的确定性问题，此前文章也介绍了朗新确定性RAG的一些技术思路：朗新提出提高RAG问答准确率的方案：高可靠智能问答引擎，与Graph RAG、本体多少有些相似，可供参考。
当然，尽管此次的介绍相比之前具体了很多，但还是有很多细节没有介绍的特别具体，估计很多人看完依然还是比较懵逼的。一些问题仍然有必要做进一步的探讨，例如
- 本体似乎也并没有固化真正存储在业务人员脑子里的经验？
- 自动创建的本体是否能够保证足够的准确，是否需要实施时的繁重人工检查和调整？
- 来自不同领域的数据创建的本体们是否能合成企业内的唯一的本体，还是也会形成各个域的很多本体？
- 本体层与企业之前构建数据中台时创建的数据模型层是什么关系？
此外，25年底以来，Anthropic提出的Skills看起来是个很重要的方向，相比于开发一大堆的Agent，利用Skills固化可重用的业务人员经验可能更有价值，对应的整个企业级Agent体系又将如何构建，都值得进一步探讨。
最后
我在一线科技企业深耕十二载，见证过太多因技术更迭而跃迁的案例。那些率先拥抱 AI 的同事，早已在效率与薪资上形成代际优势，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。
我整理出这套 AI 大模型突围资料包：
- ✅AI大模型学习路线图
- ✅Agent行业报告
- ✅100集大模型视频教程
- ✅大模型书籍PDF
- ✅DeepSeek教程
- ✅AI产品经理入门资料
完整的大模型学习和面试资料已经上传带到CSDN的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇
为什么说现在普通人就业/升职加薪的首选是AI大模型？
人工智能技术的爆发式增长，正以不可逆转之势重塑就业市场版图。从DeepSeek等国产大模型引发的科技圈热议，到全国两会关于AI产业发展的政策聚焦，再到招聘会上排起的长队，AI的热度已从技术领域渗透到就业市场的每一个角落。
智联招聘的最新数据给出了最直观的印证：2025年2月，AI领域求职人数同比增幅突破200%，远超其他行业平均水平；整个人工智能行业的求职增速达到33.4%，位居各行业榜首，其中人工智能工程师岗位的求职热度更是飙升69.6%。
AI产业的快速扩张，也让人才供需矛盾愈发突出。麦肯锡报告明确预测，到2030年中国AI专业人才需求将达600万人，人才缺口可能高达400万人，这一缺口不仅存在于核心技术领域，更蔓延至产业应用的各个环节。
资料包有什么？
①从入门到精通的全套视频教程⑤⑥
包含提示词工程、RAG、Agent等技术点
② AI大模型学习路线图（还有视频解说）
全过程AI大模型学习路线
③学习电子书籍和技术文档
市面上的大模型书籍确实太多了，这些是我精选出来的
④各大厂大模型面试题目详解
⑤ 这些资料真的有用吗?
这份资料由我和鲁为民博士共同整理，鲁为民博士先后获得了北京清华大学学士和美国加州理工学院博士学位，在包括IEEE Transactions等学术期刊和诸多国际会议上发表了超过50篇学术论文、取得了多项美国和中国发明专利，同时还斩获了吴文俊人工智能科学技术奖。目前我正在和鲁博士共同进行人工智能的研究。
所有的视频教程由智泊AI老师录制，且资料与智泊AI共享，相互补充。这份学习大礼包应该算是现在最全面的大模型学习资料了。
资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。
智泊AI始终秉持着“让每个人平等享受到优质教育资源”的育人理念，通过动态追踪大模型开发、数据标注伦理等前沿技术趋势，构建起"前沿课程+智能实训+精准就业"的高效培养体系。
课堂上不光教理论，还带着学员做了十多个真实项目。学员要亲自上手搞数据清洗、模型调优这些硬核操作，把课本知识变成真本事！
如果说你是以下人群中的其中一类，都可以来智泊AI学习人工智能，找到高薪工作，一次小小的“投资”换来的是终身受益！
应届毕业生：无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。
零基础转型：非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界。
业务赋能 突破瓶颈：传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型。
👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓**
)
