本体建模 Ontology Modeling

本体建模是什么

简单来说,本地建模就是把一个领域中“有哪些东西、它们是什么关系、必须遵守什么规则”,整理成一套人和机器都能理解的统一语义模型。

本体最早是哲学概念。古希腊哲学家讨论“世界上存在什么”“事物可以分成哪些类别”。亚里士多德的范畴思想,就是在给现实世界中的存在进行分类。

到了20世纪70—80年代,人工智能研究开始遇到一个问题:专家脑中的知识,怎样变成计算机能够处理的形式?于是专家系统、语义网络、框架系统和知识表示逐渐发展起来。本体开始从哲学概念变成一种知识工程方法。1993年,Tom Gruber 给出了计算机领域最著名的定义:本体是对概念化的显式说明。

2000年前后,互联网进入“语义网”阶段。W3C 希望网页不只是给人阅读,机器也能理解其中的实体与关系,因此逐渐形成了:

  • RDF:表达“主语—关系—宾语”三元组
  • RDFS:表达类别和继承关系
  • OWL:表达更丰富的本体、公理和推理规则

后来,本体被大量应用于医疗、金融、制造、科研和企业数据集成,也是知识图谱的语义基础。

Agent和本体建模的关系

本体建模起源于对“世界如何分类”的研究,后来发展为机器可读的知识表示;到了 Agent 时代,它负责告诉 Agent:业务世界中有什么、彼此如何关联、必须遵守什么约束,以及什么条件下可以执行动作。

具体来说,可以有以下服务Agent的地方:

  1. 实体对齐:把“专业版”、“Pro 套餐”、产品 ID 映射到同一概念或实例。
  2. 检索计划:告诉 Agent 从 RefundRequest 经 Subscription、Contract 到 PolicyVersion 应走哪些关系。
  3. 上下文裁剪:只把当前子图、必需属性和相关证据原文放入模型上下文。
  4. 工具选择:根据 Action、Tool、riskLevel、requiredPermission 的关系过滤工具,而不是让模型在数百个接口中盲选。
  5. 输入验证:用 SHACL 或业务 Schema 将缺值、类型错误、关系冲突转成明确失败类型。
  6. 解释与评测:用结构化路径对比期望与实际 Trace,定位是实体错、路径错、政策错还是工具错。

一个本体到底包含什么

元素 通俗理解 客服域例子 对 Agent 的价值
Class(类) 一类事物的概念 Customer、Subscription、RefundPolicy 限定业务世界中存在哪些对象
Instance(实例) 某个具体对象 EnterpriseA、SubscriptionS1024 把用户问题对齐到真实业务数据
Object Property(对象属性) 对象与对象之间的关系 ownsSubscription、governedByPolicy 支持多跳查询和关系路径规划
Data Property(数据属性) 对象所具有的具体值 purchaseDate、amount、status 为规则判断和工具参数提供数据
Axiom(公理) 领域中可用于推理的声明 EnterpriseCustomer 是 Customer 的子类 补齐隐含关系,减少重复定义
Constraint(约束) 数据或动作必须满足的条件 RefundRequest 必须关联且只能关联一个 Subscription 在行动前发现数据缺失、冲突和越权
Rule / Policy(规则或政策) 条件与结论组成的业务规则 购买 7 天内且未激活增值服务 → 进入全额退款候选 将业务决策从模型的自由文本中分离

来看一个具体的例子理解,当用户询问:三天前购买了会员,现在能退款吗?
业务世界中具体的知识经过本体建模后是什么样的:

flowchart LR
    C["企业 A客户"] -->|拥有| S["订阅 S1024"]
    R["退款请求 R9001"] -->|针对| S
    S -->|适用| P["退款政策"]

    P --> C1["购买不超过 7 天"]
    P --> C2["服务尚未激活"]

    C1 --> D["可以退款"]
    C2 --> D
元素 具体内容 作用
类 Class 客户、订阅、退款请求、退款政策 规定业务世界中有哪些对象
实例 Instance 企业 A、订阅 S1024、退款请求 R9001 表示真实存在的业务数据
对象关系 企业 A 拥有订阅 S1024 连接不同业务对象
数据属性 购买时间、服务状态 提供规则判断需要的具体值
约束 退款请求必须对应一个订阅 检查数据是否完整
规则 7 天内且未激活服务,可以退款 根据事实得出业务结论

Agent 如何使用本体

很多人第一次接触本体,会把它理解成一份更复杂的 Prompt。最简单的区分是:LLM 负责理解用户在说什么;本体负责规定业务世界里有什么、它们如何关联、什么数据是完整的、什么动作是允许的。

下面用一个退款 Agent 说明。用户说:企业A的服务还没激活,帮我退款。

Agent 需要完成三件事:

  1. 理解用户要退款,涉及“企业A”;
  2. 找到企业A的订阅,根据退款政策作出判断;
  3. 调用退款或人工审核工具。

(一)最小本体

这个例子只保留五种内容:

ONTOLOGY = {
    "classes": ["Customer", "Subscription"],
    "relations": {"owns": ["Customer", "Subscription"]},
    "required": {
        "Subscription": ["days_since_purchase", "activated", "amount"]
    },
    "policy": {"refund_within_days": 7, "manual_review_over": 5000},
    "actions": {
        "AUTO_REFUND": "create_refund",
        "MANUAL_REVIEW": "create_review",
    },
}
内容 含义 例子中的作用
Class 世界中有哪些对象 Customer、Subscription
Relation 对象如何关联 Customer owns Subscription
Required 完整数据必须有什么 天数、是否激活、金额
Policy 如何判断 7 天内、5000 元审批线
Action 结论如何映射到工具 自动退款或人工审核

本体不是客户数据。企业A和订阅 sub-001 属于“事实”:

FACTS = {
    "customers": {"企业A": "sub-001"},
    "subscriptions": {
        "sub-001": {
            "days_since_purchase": 3,
            "activated": False,
            "amount": 3000,
        }
    },
}

可以把二者理解为:

  • 本体是数据库的结构和业务语义;
  • 事实是按照这个结构保存的具体数据。

(二)LLM 只做语义对齐

脚本真实调用 LLM,把自然语言变成固定 JSON:

{
  "intent": "refund",
  "customer": "企业A"
}

这里有一个刻意的边界:Prompt 明确要求模型“不要判断是否应该退款”。

因为“理解语言”是 LLM 擅长的概率问题,而“是否满足退款条件”是必须稳定、可测试、可审计的业务问题。后者交给本体约束和普通代码更合适。

(三)本体怎样参与执行

flowchart LR
    U[用户自然语言] --> L[DeepSeek 提取意图和客户]
    L --> J[结构化 JSON]
    J --> F[查找业务事实]
    O[本体:关系、约束、规则] --> F
    F --> D{确定性判断}
    D -->|金额不超过 5000| R[create_refund]
    D -->|金额超过 5000| A[create_review]

代码做了三层检查:

  1. 关系检查:根据 Customer owns Subscription 找到客户的订阅;
  2. 完整性检查:订阅是否包含购买天数、激活状态和金额;
  3. 规则判断:是否在 7 天内、是否未激活、是否超过人工审批线。

企业A的订阅购买 3 天、尚未激活、金额 3000 元,因此结果是:

{
  "status": "DONE",
  "action": "AUTO_REFUND",
  "tool": "create_refund"
}

如果把用户换成企业B,金额为 6800 元,前两个退款条件仍然满足,但动作会变成 MANUAL_REVIEW,工具会变成 create_review。

本体建模的价值

仍然以客服退款场景为例,没有本体时,常见做法是把客户数据、退款规则和工具说明全部塞进 Prompt,让模型直接回答“退”或“不退”。这种方式很快,但规则难复用、难测试,也不容易解释一次决策为什么发生。

加入本体后,职责变得清楚:

  • LLM:把自然语言转换为本体中的标准概念;
  • 本体:提供共同词汇、关系、约束、规则和动作映射;
  • 事实库:保存客户和订阅的真实状态;
  • 工具:真正执行退款或创建审批单。

所以,本体建模的核心并不是“画一张知识图谱”,而是给 Agent 建立一个可计算、可校验的业务世界。模型可以有不确定性,但业务边界不能只靠模型临场发挥。

搜索文章