EO01｜企业 AI 应用：从数据平台、本体建模到世界运行

在思考企业 AI 如何真正进入业务、形成应用闭环的过程中，我读到了 AbutionGraph 发布的一系列文章。

相比某一项具体技术，我更关注这些文章呈现的产品方向与技术分层。它尝试把数据平台、本体建模、应用开发、世界运行与持续治理连接起来，形成一条相对完整的技术路径。

这套思路未必是企业 AI 应用的标准答案，但它帮助我重新思考了三个问题：

• • 企业现有的数据平台和业务系统已经解决了什么；

• • 本体建模能够在其中发挥什么作用；

• • 企业 AI 应用如何从辅助分析进一步走向业务运行。

从数据平台到世界运行

01 一套连续的产品方向

AbutionGraph 系列文章给我最直观的感受，是作者没有把图数据库、本体、AI Agent、数字孪生和仿真推演看成几个彼此孤立的方向，而是用四个相互衔接的产品层次，表达从数据承载、本体建模到业务运行的完整方向。

OntoGraph
数据、对象、关系与本体能力的底层承载
        ↓
OntoFlow
本体建模与智能应用开发
        ↓
OntoX
将本体模型转化为可视、可操作的业务应用
        ↓
OntoOS
进一步面向运行、推演与辅助决策

从作者的系列文章来看，OntoGraph 被定位为原生本体数据库，OntoFlow 负责本体建模与应用开发，OntoX 面向可视、可操作的业务应用，OntoOS 则进一步探索基于世界模型的推演与决策。

我关注的并不是这些产品本身，而是它们背后的设计思路：

从数据承载出发，逐步进入业务建模、应用开发，再走向动态运行与持续治理。

这套产品方向把原本分散的数据平台、知识图谱、本体、AI Agent、数字孪生和仿真推演，放到了一条连续路径中。

它的长处不在于提出了多少新概念，而在于尝试回答：

企业数字化当前走到了哪里，企业 AI 应用还需要补充什么，未来又可能走向哪里。

对于技术预研而言，这种体系化思考比单独研究某一项技术更有启发。

02 从数据平台走向本体建模

过去十多年，企业持续建设数据仓库、大数据平台、数据中台和湖仓一体，重点解决：

数据接入→ 数据治理→ 数据融合→ 指标计算→ 查询分析→ 数据服务

这些平台已经能够有效支撑企业经营分析和业务运行。企业现有的业务系统同样能够解决大量具体问题。

以充电运营为例，一条设备告警产生后，系统通常已经知道告警来自哪个场站、哪台设备，是否关联正在进行的订单，并能够按照既定规则完成通知、派单、处置和闭环。

因此，本体建模的价值不能建立在“现有系统解决不了业务问题”这一前提上。

真正值得研究的是：当企业需要建设新的跨系统应用、调整业务流程，或者引入 AI Agent 时，能否更好地复用已有的业务知识和系统能力。

例如，一个新的综合运维场景，可能需要同时使用：

设备监控系统中的告警与运行状态资产系统中的设备和场站关系订单系统中的充电过程运维系统中的工单与维修记录备件系统中的库存与供应情况

这些系统各自运行良好，但每增加一个新场景，通常仍需要重新梳理数据关系、确认业务规则、适配接口并编排流程。

本体建模尝试将其中相对稳定的内容抽象出来：

业务对象→ 对象关系→ 状态与事件→ 业务规则→ 指标与计算→ 可调用能力

它不是替代数据平台和业务系统，而是探索如何提高这些业务知识与系统能力的复用性、组合性和演进效率。

从这个角度看：

数据平台解决数据如何汇聚、治理和使用；本体建模进一步探索业务知识如何被组织、复用和组合。

它的价值并不是必然成立的，还需要通过跨系统应用开发效率、模型维护成本和实际业务效果进行验证。

03 从理解业务走向运行世界

AbutionGraph 系列文章进一步把整体能力划分为六个层级：

从理解业务到运行世界

这套分层最有启发的地方，是把“理解业务”和“运行世界”区分开来。

L0 到 L2，主要解决数据接入、关系联结和业务建模，让分散的数据逐步转化为具有明确含义的业务对象和关系。

L3 开始关注对象的动态变化。

设备会经历正常、预警、故障、维修和恢复，订单会经历创建、进行、完成和异常中止。系统不只需要记录对象是什么，还需要描述对象如何随时间和事件发生变化。

进入 L4 以后，关注点进一步从分析判断走向行动：

发生了什么→ 为什么发生→ 可能产生什么影响→ 当前应该采取什么行动→ 行动结果如何反馈

L5 则继续加入权限、风险、合规、审计和规则治理，使系统能够在明确的边界内持续运行。

因此，从 L3 到 L4 并不只是增加一种技术能力，而是系统定位发生了变化：

从记录和分析业务，逐步走向参与业务运行。

这里所说的“世界”，可以理解为企业内部由业务对象、关系、状态、规则和行动共同构成的业务世界。

所谓“世界运行”，就是让这套业务模型能够随真实事件持续变化，并支持人员、业务系统和 AI 共同完成判断、决策与行动。

04 对企业 AI 应用架构的启发

结合这套产品方向和技术分层，对企业 AI 应用完整的架构认识：

企业数据底座
大数据平台、数据中台、数据仓库、湖仓一体
        ↓
企业本体构建与运行层
业务对象、关系、状态、规则、指标、可执行能力定义
        ↓
AI 理解、推理与行动层
大模型、RAG、AI Agent、Skills、工作流、Action 调用与编排
        ↓
企业业务应用层
运营、运维、客服、营销、安全等业务场景
        ↓
反馈、仿真与持续演进层
结果反馈、规则优化、模型迭代、场景推演

这套架构不是要推翻企业现有的数据平台和业务系统。

数据底座继续负责数据汇聚、治理、计算和服务；业务系统继续承担稳定、明确的业务流程；本体层尝试沉淀可复用的业务对象、关系、规则和能力；AI Agent 则在这些基础上完成理解、推理、编排和协作。

真正值得继续研究的，是这些层之间如何连接：

• • 现有数据对象如何映射为业务对象；

• • 主数据、指标体系与本体模型如何分工；

• • 业务规则和系统能力如何被不同应用复用；

• • AI Agent 如何在明确权限和规则下调用 Action；

• • 执行结果如何反馈到业务状态和模型中。

企业 AI 应用的重点，不是用 AI 替代已有系统，而是让 AI 能够更高效地复用企业已有的数据、知识和能力，并逐步进入真实业务过程。

05 阶段性理解

企业 AI 应用的下一步，可能不只是接入更强的模型或建设更多 Agent，而是进一步思考：

如何把企业已有的数据、业务知识和系统能力组织起来，让它们能够被不同应用持续复用，并逐步连接到真实的业务运行过程。

目前形成的阶段性理解是：

数据平台为企业提供数据基础；本体建模尝试提高业务知识的复用与组合能力，并为 AI 提供可复用的业务上下文；世界运行则进一步探索 AI 如何基于真实业务状态参与决策与行动。

这条路径还不是一套已经成熟的行业标准，但它为企业 AI 应用提供了一个值得继续研究的方向。

更佳阅读效果，请关注我的公众号