什么是本体论（ontology）

以下内容参考B站博主：10分钟了解什么是Ontology本体（一）_哔哩哔哩_bilibili

 

ontology本体论，按照单词来说，onto词根代表存在，logy词根代表学说。

简单来说，哲学本体论追问“世界本质是什么”，计算机领域的本体则是一种让机器理解概念的“知识模型”。

 

本体建模就是把某个领域的知识，按照上述“标准”搭建成模型的过程。核心工作通常是明确几样东西：

• 类（概念）：领域里有哪些重要事物，比如“医院”领域里的“医生”“患者”“药品”。

• 属性：这些事物有什么特征，比如“医生”有“姓名”“科室”。

• 关系：事物之间怎么关联，比如“医生”治疗“患者”。

建好之后，这个模型就能用于知识图谱、语义搜索、数据集成等场景，让机器能进行简单的逻辑推理。

需要注意：本体的构成存在两个版本

（1）W3C制定OWL的官方标注分类，类、个体、属性（数据属性和对象属性）、公理

（2）国内知识图谱的分类，类、属性、关系，约束，这里把个体的实例放到了知识图谱，把属性的数据数据和对象属性分别拆开成属性和关系，公理对应约束条件。

 

什么是语义网技术栈

（1）IRI，全局唯一标识

最底层是IRI，给每个事物一个全局唯一的标识，哪怕是不同的HR系统和项目系统，只要是同一个IRI就是同一个东西，这是跨系统数据集成的基础

 （2）RDF，三元组数据模型

RDF把所有知识都表示成三元组：主语、谓语、宾语。例如张三管理研发部，就是一个三元组，许多三元组在一起则构成一张图。

 （3）RDFS，基本模式词汇

RDFS在RDF的基础上，加入了最基本的模式词汇：类、子类、属性的定义域和值域。这里已经可以描述一个简单的类层次，

 （4）OWL，本体语言，描述逻辑

OWL以描述逻辑为理论基础，表达能力更强，可以声明互斥的类、基数限制、逆属性和传递属性，还能用已有的类组合出新的类

 （5）SPARQL和SHACL

查询用SPAEQL，写法像SQL，匹配的是图模式。数据校验用SHACL，可以检查每个员工必须有入职日期这类约束。

 这里需要注意：

OWL采用开放世界假设，在传统数据库里，如果查不到一条记录就认为它不成立，但OWL里没有查到记录只是认为未知，并不代表不成立。

例如本体规定每个员工至少就职于一个部门，而李四的数据里没有部门，数据库的约束会直接报错；OWL推理机制却会认为李四一定就职于某个部门，只是暂时不知道是哪个，要检查数据是否完整，应该用SHACL，按照封闭世界的方式来验证

 

本体和普通数据模型最大的区别是什么

最大的区别在于，本体能够推理，推理机读取本体和数据，按照逻辑规则自动推出隐含的事实

 （1）第一种是沿着类层次推理。例如张三是经理，经理是员工的子类，员工又是人的子类，所以推理机可以得出张三是员工，也是人

 （2）第二种来自定义域和值域。假设数据里只写了一句话：王五管理市场部，虽然没有提到王五是什么，但因为管理的定义域是经理，值域是部门，推理机可以得出王五是经理，市场部是部门

 （3）第三种来自属性的特征。

传递属性（Transitive）：例如测试组下属于研发部，研发部下属于技术中心，那么测试组也下属于技术中心

互逆属性（InverseOf）：例如管理和被管理可以声明为互逆属性，只写一个方向，另一个方向自动成立

 （4）另外，推理机还能检查一致性。如果有人把研发部同时标成了人，而本体声明人和部门互不相交，推理机就会报告矛盾，这相当于在逻辑层面给数据跑了一遍单元测试

 

这是本篇文章的重点：本体论在大模型时代的用法

在大模型时代，本体建模就是为某个领域定义一套共享的概念、关系和操作语义，形成机器可用的“语义约束层”。它通过约束信息抽取、图检索增强生成、智能体语义层三种方式，让大模型应用更规范、检索更相关、智能体更可靠。

（1）约束信息抽取：本体建模是“抽取规则的定义过程”，本体建模预先定义领域中的类（概念）、关系、属性，大模型从文本中抽取三元组时必须按照这套预先的框架来输出。因此，本体建模在这里的作用是约束信息抽取的结果，让抽取出的三元组更规范、更一致、更可复用。

（2）图检索增强生成（GraphRAG）：本体建模是“知识图谱结构的设计过程”，在传统 RAG 基础上引入知识图谱，自动从文档抽取实体与关系构建一张完整知识关系网络。因此，本体决定了知识图谱的结构，帮助检索出更相关的上下文

（3）智能体语义层：本体建模是“业务语义层的构建过程”，把业务中的概念、属性和可执行操作明确地定义出来。智能体借助这层语义理解业务概念和可执行操作，从而更准确地理解任务、降低出错概率。

 

很多人搞不清楚，本体和知识图谱这两个经常一起出现，具体有什么区别

我是这么理解的，知识图谱 = 模式层（本体）+ 实例数据。

（1）本体负责定义规则。例如下图中，本体定义了有哪些类型（人物、作品、博物馆、城市）、允许什么关系（创作、收藏于、位于），负责定义规则和骨架。

（2）知识图谱负责填充数据，由具体的实体、关系、属性构成。例如下图中，知识图谱负责填充具体是谁、哪件作品、哪个馆、哪座城市的实例数据，达芬奇是人物类的实例，蒙娜丽莎是作品类的实例，知识图谱里的每一条具体事实，都必须符合本体定义的类与关系规则。

 

我们再回过头看一下，什么是本体

（1）定义：本体是对共享概念化的形式化、明确的规范说明

（2）构成：本体是由类、个体、属性、公理构成

（3）语言：本体可以用RDF、RDFS、OWL、SPAEQL、SHACL进行表达

（4）推理：本体可以用推理机推出隐含的知识

（5）知识图谱：知识图谱是承载海量事实的图，本体是它的语义骨架

 

现在本体论，本体建模为什么又火起来了

我理解的是在大模型时代，本体怎么定义的方式改变了。

（1）传统做法，要靠知识工程师和业务专家一起花几个月梳理概念、编写映射，这才是很多团队望而却步的原因

（2）大模型时代，可以让AI先读数据目录里的表结构、注释和样例数据，直接起草本体和映射，再交给专家审核。

 

AWS开源的Context Ontology Accelerator就是这样的一个工具，流程分为三步：

（1）扫描：连接数据源，发现表结构，补充元数据，也可以导入非结构化文档

（2）建模：根据数据归纳出本体，定义指标，构建统一的语义图

（3）服务：通过查询和图遍历，把上下文交给Agent

 

本体建好了，如何交给Agent应用

目前通用的方法是MCP（模型上下文协议），语义层把自己的能力封装成MCP 工具，让大模型或智能体通过调用这些工具来“动手”操作本体。