
今年年初,美伊战争让Palantir的军事应用受到广泛关注。
据公开报道,美军使用其Maven系统融合多源情报,辅助目标识别与行动规划。如何把海量数据转化为可执行的决策,成为观察现代战争中技术应用及其演变的重要视角,也带动了对Palantir技术体系的讨论。
“本体”是这场讨论中的一个关键词。在Palantir的技术架构中,本体将数据、业务对象与行动联系起来,为分析研判和业务执行提供统一支撑。随着国内对这一路线的关注升温,本体如何支撑复杂决策、如何进入实际业务,也成为越来越多厂商和客户关心的问题。
长期服务国防客户的渊亭科技,直接感受到了这种变化。渊亭科技创始人兼董事长洪万福介绍,今年以来,其核心客户对动态本体的关注明显提升,开始围绕具体应用和长期建设提出要求。
从早期的知识图谱到如今的行业模型与决策平台,渊亭也在尝试用新的技术能力,处理持续变化的数据、业务关系和决策任务。
但从战场应用引发关注,到在中国客户的业务中落地,中间还有一系列工程问题。大模型能承担多少本体构建工作?专题应用如何扩展到更大的业务范围?Palantir的交付模式又有多少能够借鉴?近期,爱分析与洪万福围绕这些问题进行了一次深入交流。

动态本体回应的是多源异构数据融合和业务持续变化的需求。大模型带来的变化,主要在于让概念建模、语义对齐和推理有了更强的自动化能力,本体与知识图谱仍需结合使用。
从专题应用走向行业级本体,是一项长期工程。小范围内可以形成业务闭环,范围扩大后,数据标准、跨系统接口、权限与审计都需要重新梳理,技术之外的协调同样重要。
行业智能体与通用智能体的差异,主要体现在工作方法和交付结果上。私有化部署和国产化适配是基本要求,更关键的是依托本体理解行业知识、遵循业务规范,并交付可验证的成果。
中国很难完整复制Palantir的交付模式。对软件和专家服务的计价方式、数据接触条件及项目组织机制,都影响着现场经验能否有效反馈到产品中。
爱分析:您如何理解动态本体?客户提出这类需求有什么特定的背景?
洪万福:从我的理解看,国内现在强调“动态本体”这个词,很大程度上是为了与过去相对静态的本体做区分。我们公司早期做知识图谱,常见做法是先建好概念和字段结构,也就是Schema,再按这个结构去处理数据。类、属性、关系主要由人预先去定义,一旦发布,修改成本比较高,尤其涉及到推理一致性的时候。
近几年,这种方式已难以满足客户的一些需求。比如国防领域里的情报分析,信息来源多种多样,不可能每一种来源都单独建一套Schema。不同来源对同一个对象的描述也不一样,还需要统一认知。再往后,业务流程本身不一定固定,涉及多方协同的时候,状态和数据会不断更新,这些变化需要及时反馈。
所以客户开始从建模、语义、数据更新,以及事件、动作、函数等角度,提出了动态化的要求。本质上,客户希望有一个相对通用的平台,能够处理异构数据,并适应业务的持续变化。这里的“相对通用”,并不是说一套体系能解决所有问题。概念有被炒热的成分,但背后确实有真实需求。
爱分析:这些变化具体体现在哪些环节?
洪万福:以我们在情报分析中的实践为例。首先是建模方式的变化。以前,要围绕分析目标,提前定义好关注哪些信息、有哪些字段。现在,我们利用积累的案例、条令和行业模型,辅助系统生成初步的本体草案和候选字段;哪些类型、关系可以入库,仍要过约束校验和专家确认,尤其是涉及目标属性和动作边界的部分。接入新的信息采集方式时,系统还可以推导出需要补充采集哪些字段,供分析员确认后再纳入。
第二是语义对齐。同一个对象,在不同来源里可能用代号、简称或者其他名称。以前的知识图谱也做语义对齐,但受限于当时的自然语言处理能力,经常需要人工整理同义词、近义词。现在大模型在抽取和归纳方面的能力更强,可以支持构建统一的语义层,把不同描述对应到同一个对象、动作或算法上。
第三是后续推理。前面的信息融合和语义层做好之后,就可以支持更复杂的分析,也能结合用户的交互进一步推理。最终,客户不只要看到一个结果,还要知道这个结果是怎么来的——能够回溯到相应的证据和推理链条。整体来看,和以往相比,自动化和智能化程度都有提升。
爱分析:动态本体会替代知识图谱吗?
洪万福:我认为这不是替代关系,而是层次问题。在我们的实践里,数据的存储和查询仍以图数据库为主,但图谱里放什么、对象之间如何连接、哪些字段可以修改、哪些结论必须关联证据,都由本体这一层来约束。所以更准确的说法是:本体负责定义语义与规则,图谱承担部分存储与计算,两者配合使用。
我们很早就提过“动态图谱”这一概念,当时主要关注实例数据发生变化后,能否及时反馈到图谱中。今天所说的“动态本体”,是把变更往上推了一级:不只实例数据在变,类型定义、关系约束和动作边界也会随之调整。
本体一旦发生变化,就可能影响已有实例、既有结论和推理结果。因此,需要建立相应的治理机制,这至少包括三件事:变更分级,哪些可以自动发布、哪些必须评审;每次推理结果绑定当时的本体版本;以及对下游结论的影响分析和回归校验。少了这些,所谓“动态”就只是把人工维护的成本挪到了线上。
过去,本体层更多依赖人工定义,或依靠相对固定的规则来维护。现在大模型带来的变化,主要体现在概念建模、语义对齐和要素更新这三个环节的自动化上。
客户的诉求并不是今天才有。十年前就有人问我:“我能不能不要去建模,能不能自动去抽取?”但当时自然语言处理技术的能力还没有那么强,即使在训练数据比较好的领域,抽取的准确率也有限,所以我们不敢大量使用自动抽取,只能采用半自动的方式。现在底层模型能力增强了,才有条件进一步去做这些事情。
爱分析:目前大模型能承担多少本体构建工作?
洪万福:如果让我凭经验估计,在有行业大模型、能理解行业业务的前提下,大模型大概可以承担六到七成本体建模初稿的工作量。只用基座模型,可能还不到一半。并且工作量占比并不代表质量水平。本体是后续推理和应用的基础,如果关键关系出现偏差,也可能导致后续结论连续出错,而且很难追溯问题出在哪里。所以真正要关注的不只是”模型能完成多少工作”,还有出现错误后能否及时发现。
还是以国防领域为例,很多国防行业数据和上下文,基座模型是拿不到的。它不了解指挥业务,也不知道不同条令之间如何衔接,就只能做一些文本分类、信息抽取之类的任务。一旦涉及业务逻辑,效果就会打折扣。
即使用行业模型自动构建,也仍然要做大量审核。针对目标生成建模框架以后,整体方向是否正确、具体内容是否符合要求,都需要专家确认。特别是最后的决策环节,我们现在做的仍然是辅助决策,关键节点一般都会让人工介入。
爱分析:本体进入真实业务场景,客户会担心自动更新影响系统稳定性吗?
洪万福:肯定会。尤其是当状态需要写回原有业务系统时,复杂度就会明显上升。
从我的理解看,Palantir的一个有利条件,在与客户开展合作时,往往能够将数据治理、本体层和后续业务系统建设贯通起来,边界相对完整。相比之下,国内厂商和系统比较分散,要实现类似的整体推进,难度会大很多。
有时候,能不能把状态更新回原系统,本身就不只是技术问题,还涉及跨部门协调和组织机制的问题,不一定能打通。
爱分析:为什么现在很多本体项目还停留在试点或验证阶段?
洪万福:我们现在推进本体项目,会尽量采用专题化方式,在边界清楚的范围内把问题解决,形成闭环。建设范围扩大后,需要协调的事情就越多,风险也越难控制。光数据治理、标准统一、权限划分这些基础工作,就可能持续一两年。
其次,动态本体近两年才真正受到广泛关注,工程化还需要时间。很多项目不是没有本体,而是前面的数据质量、数据血缘、权限控制、状态回写机制还没有准备好。没有这些基础,动态更新就很难真正进入生产系统,大型案例的形成也需要时间。
第三,客户需要持续看到价值。比如用了动态本体以后,哪些研判更快了,哪些关联以前发现不了,推理过程能否追溯、结果为什么可信,这些都需要被明确呈现。否则客户只看到上层应用,会认为这些能力“本来就应该有”,反而不容易理解底层语义的价值。
这些问题的解决都需要时间,试点成功不等于规模化成功。小范围验证可以靠项目团队集中推动,但行业级建设是一项庞大的工程,会牵涉更多的系统、部门、安全与审计要求。所以,不能因为小的专题应用越来越多,就判断行业级建设也会很快完成。
爱分析:除了建设周期长,大规模落地还有哪些工程难点?
洪万福:最大的问题还是数据治理。这里面的细节非常多,比如数据标准。国防领域不是没有标准,而是标准很多,不同条线关注的重点不一样,实际落地时还需要做大量梳理和映射。另外,业务目标也可能随着组织和任务的变化而动态调整,模型也需要跟上这种变化。
第二是跨系统融合。本体层建好以后,仍然要打通各个业务系统。如果把所有系统都纳进一个大系统,可能会影响原来的业务运行机制,不太现实。通常还是要通过接口来连接,这涉及前面提到的数据回写、状态同步、权限控制等一系列问题。
第三是架构规划能力要求很高。既要非常懂业务,又要把权限、边界、审计这些要素定义清楚,还要考虑当某个对象发生变更时,相关联的信息如何在语义层中表达和存储。把这些关系梳理好,需要很强的顶层架构能力,并不是把模型接进来就完成了。
爱分析:本体如果先做单个场景,后面如何把不同场景的本体能力连起来?
洪万福:这要看项目的性质和规模。如果只是把原来两个比较孤立的场景做融合,我们通常会单独立项,按应用建设的方式,把涉及的本体和相关能力打通。这种方式的优点是快,但随着场景增多,容易形成新的孤岛。
如果一开始就是自上而下的大项目规划,就要提前想清楚平台会发挥什么作用,在哪一期建设。我们做过这类项目:第一期先切入非常具体的场景,解决用户的实际问题;第二期再交付平台。但平台设计和相关能力的内部应用,其实在第一期就已开展。
在第一期的设计中,我们也会提前考虑后续怎么复用和扩展,比如哪些对象可以共享、哪些语义可以沉淀、哪些能力可以抽成通用模块。这样,后面建平台时,就能承接已有的场景能力,而不是推倒重来。能不能这么做,和项目体量、整体定位都有关系。但核心原则是一样的:单点切入可以快,但设计时要为后续连接和扩展预留空间。
爱分析:今年以来,客户对智能体的要求发生了什么变化?这些变化和本体有哪些关系?
洪万福:从我们接触的情况来看,今年客户对智能体的要求有两个明显升级。
第一个升级,是从“能回答问题”到“能完成任务”。年初,客户关注的是智能体能不能辅助完成一些工作环节,比如写论证报告、准备课题材料,核心诉求是提效。到了下半年,客户不再满足于智能体“帮一点忙”,而是希望它能自我迭代、自主选择工具,甚至生成所需工具,实现整项任务的闭环执行。
第二个升级,是从“能用”到“敢用”。客户对智能体的要求不只是“聪明”,更要“靠谱”,输出的材料要有据可依,操作有边界、过程可追溯。
这两个变化,让本体的作用更加突出。
因为智能体要自主完成任务,就必须理解业务里有哪些对象、它们之间是什么关系、能做什么、不能做什么,这些正是本体需要定义的内容。没有本体,智能体就更依赖大模型去“猜”。而客户要求“敢用”,本质上是要智能体在确定的业务规则和知识边界内运行。本体就是这道边界,它告诉智能体业务是什么、规则是什么、哪些动作是合法的,让智能体的自主执行更可控。
爱分析:渊亭的产品较多,整体架构是如何划分的?本体在其中又扮演什么角色?
洪万福:可以分成底层能力、通用平台和行业应用三层来看。
底层是行业大模型、专用算法与求解器(计算引擎)、智能体框架。基座大模型需要大量算力和数据投入,国内已有头部厂商在重点布局。我们更聚焦于行业大模型,将行业数据和业务经验沉淀为模型能力。此外,运筹优化、任务规划、情报分析等领域的专用算法与求解器,这类技术能力依靠的是公司多年项目实践中积累的模型和算子。智能体框架的重点则是让智能体能够理解行业知识、调用工具、完成复杂任务,同时满足客户对离线部署、私有模型接入和国产化适配的要求。
中间层是我们长期积累的数据中台、认知中台和决策中台。整体方向没有变,只是在大模型时代叠加了新能力,也调整了使用方式。
最上层是面向具体行业的应用。我们在国防、政企、金融、工业这类垂直领域,沉淀了一些领域本体资产和工程方法论,这些资产支撑了具体应用产品的研发。目前以国防相关应用为主,比如科研助手、编程助手,也开始探索工业类应用。
我们的思路是尽量把解决方案做成标准产品,但实际项目仍然有不少定制需求。按经验估算,目前一个项目中约有六到七成能力可以复用现有模块,其余部分仍需结合现场情况进行适配开发。具体比例会因行业和项目而有所不同。
本体在这套架构中不是一个独立模块,而是贯穿全栈的统一语义和规则基础。
渊亭Sati认知智能平台以动态本体为核心,支持本体的构建、校验和持续更新,帮助模型、智能体和业务人员对同一业务对象形成一致理解,减少模型幻觉,已有知识也能在不同任务中复用。
相关知识的存储与计算,由我们自研的Seraph分布式图数据库提供支撑,能够满足国产化和大规模数据处理需求。在应用过程中,KGAG(知识图谱增强生成引擎)用本体中的结构和关系,为大模型补上关联检索,并对生成结果进行本体校验。两者解决的是不同问题:检索解决“有没有依据”,校验解决“是否符合规则”。CMAS多智能体协同决策平台则将这些业务语义和规则用于任务理解与协同决策,使多个智能体能够在共同的业务认知基础上开展协作。
对于需要生成方案的任务,决策中台进一步提供博弈对抗、运筹优化等能力,与本体、知识图谱配合,形成从“理解业务”到“生成方案”的闭环。
爱分析:您刚提到科研助手,这款产品与通用智能体相比,主要差别在哪里?本体如何融入具体的研究任务?
洪万福:以国防装备为例,在定型之前的论证、预研、试验等阶段,涉及大量研究性工作。比如是否研制某款装备,参数如何确定,面向什么作战概念和目标,这些都需要在前期研究透彻。
这类客户的日常工作流通常是从海量资料查阅和规整开始,随后确定研究方向、形成课题、采集证据、编写立项大纲等。科研助手主要服务于这些任务,本体则贯穿整个工作过程。
在信息采集环节,通用工具未必能获取对口的专业资料,即使获取,也需要进一步整理。科研助手依托领域本体,对文献、试验材料和论证证据分层建模、标注语义,使资料能够被检索、校验并追溯到原文。不同文档对同一装备或指标的叫法不一致时,则通过统一标识进行对齐。
进入研究环节,参数论证、技术预警等任务各有特定的研究范式,不能只依靠资料检索和文本生成。我们将这些方法和领域约束沉淀到本体中,帮助科研助手理解任务意图,明确可调用的分析能力。例如,编写大纲或开展方案对比时,通过“动作契约”明确相关操作的前置条件和证据要求,减少缺乏依据的推断。
还有就是数据验证,多源信息经常互相冲突,通用智能体一般靠模型自己调和,很容易失真。我们通过本体进行冲突治理,结合公司智库积累的信息,区分不同来源、不同时期的观点,保留历史记录,并标记当前采信的结论。结果生成后,科研助手还会复核结论的证据和逻辑,让研究成果有据可查。
国产化适配和内网部署是基础要求。在此之上,我们希望科研助手不仅能检索资料、回答问题,还能在明确的业务约束下开展研究、验证结果。这种由本体支撑的专业任务闭环能力,是它与普通RAG(检索增强生成)应用、通用智能体的重要区别。
爱分析:我们注意到渊亭今年推出了Ucoder编程助手。面向国防军工场景,它与通用编程助手有哪些不同?在行业本体积累和私有资产复用方面有哪些优势?
洪万福:Ucoder和市面上通用的编程助手,差别还是比较明显的。Ucoder不是简单做一个“会写代码的助手”,而是将我们积累的国防领域本体知识与客户的私有知识库、研发资产结合起来,适配这类高安全、强约束场景。
首先是理解业务。通用编程助手能够理解代码语法和通用开发需求,但要理解军工项目,还需要相应的业务知识。为此,我们通过国防研发领域本体,梳理装备、算法组件、接口规范和研发约束之间的关系,再结合客户的私有知识库,帮助Ucoder理解需求背后的业务含义。
其次是支持完整的研发流程。对军工项目而言,生成代码只是其中一个环节,需求、设计、编码和测试需要形成闭环,交付、验证和技术成熟度也都有明确要求。为了让这些要求落实到研发过程中,我们把软件工程规范、国军标和国产化适配要求拆成两类机制:对于文档结构、接口签名、编码规范、测试用例覆盖等可由机器判断的内容,做成UCoder能直接校验的规则;对于评审是否充分、过程记录是否完整等需要人工判断的内容,则形成检查项和证据清单,由相关人员确认。这样,Ucoder在检查设计、代码和测试用例时有明确依据,但不会替代人工做出合规判断。
还有工具集成与资产复用。客户已有的仿真、推演、试验工具,以及私有组件和历史代码,要用于新的研发任务,就需要明确各自的功能和调用要求。Ucoder通过本体统一描述这些资产的能力、输入输出和参数要求,并进行语义对齐与封装,让研发需求能够对应到合适的工具和组件。同时结合权限控制机制,明确资产的访问和调用边界,满足高安全场景的管控要求。
爱分析:回到一开始我们聊的问题:国内都在讨论Palantir,但它的落地模式能否完整复制到中国?哪些部分值得借鉴,哪些部分可能必须本土化?
洪万福:完整复制Palantir模式并不容易。这不只是技术架构的问题,还涉及一连串的商业与合规机制:软件与专家服务的计价方式、现场工程师的数据访问权限、以及项目按立项验收还是按持续订阅组织等等。
比如“前线部署工程师”,也就是FDE。按我的理解,Palantir通常会在现场配置两类角色协同工作:一类偏业务咨询专家,负责梳理客户的业务需求;另一类是工程师,直接驻场写代码、建数据管道、改本体配置。这一模式的优势在于,在项目中积累的经验和开发成果,最终能够回到产品中,而不只是服务于单个项目。
但专家长期驻场的成本较高,这种模式要求市场认可软件和专家服务的价值,也要求合作模式能够支持长期投入——短期原型可以先小额启动,验证有效后直接转生产订阅,现场服务作为前期投入,最终由软件许可回收,而不是按实施人天计价。
这和我们以立项、验收、结算为节点的预算口径存在差异。我们也会把团队派到现场,但组织方式往往更偏向项目实施。业务专家的价值如果主要被按实施人力理解,长期驻场就容易受到预算和机制限制。所以,价值认可是一个比较根本的问题。
项目能覆盖多大范围、以什么方式组织,也会受到这些条件影响。不能只看一套技术架构,就认为整套模式可以搬过来。
爱分析:针对这种情况,渊亭如何让业务专家参与交付?
洪万福:国内做交付,解决方案、项目经理、实施团队和需求分析师本来就会在不同阶段配合,帮助客户梳理需求、把系统做好。不同公司的差异,更多在于业务专家在哪个节点介入、介入多深。
详细需求评审、合同评审、方案确认等关键环节,需要结合业务与技术作出判断。渊亭强调产品引领,业务专家虽然不必长期驻场,但必须在这些节点参与,确保实施过程符合前期规划,让交付结果与产品路线保持一致。
爱分析:业务专家如何将现场经验反馈到产品里?
洪万福:专家长期在现场,最大的好处是能接触到最真实的一线需求,并在过程中直接把这些需求沉淀到产品里。
在国防领域,受实际业务条件限制,我们没办法直接采用专家长期驻场的模式,更多需要依靠内部机制来沉淀和传递需求——由相关团队梳理需求背景和行业经验,再通过内部交流同步给产品团队。相比现场专家直接反馈,这个过程需要投入一定的沟通和组织成本,也需要通过持续交流确认,尽可能减少理解上的偏差。
但在其他政企项目中,我们就会灵活很多。现场的实施团队、解决方案经理可以直接把客户的问题反馈到产品侧,产品经理也会定期到一线去,和客户面对面交流。这种“走出去”的方式,让我们能更快捕捉到共性需求,判断哪些是个案、哪些值得做成通用能力。
所以本质上,无论是通过驻场还是内部沟通机制,关键都是让产品团队贴近真实场景,形成闭环:现场需求推动产品迭代,迭代效果再回到现场验证。
爱分析:您如何看待本体在中国的长期落地?
洪万福:本体能否长期落地,还是要看它能不能成体系地帮客户解决问题、投入产出是否合理,这些都需要通过行业验证。
以前我们推广知识图谱也很辛苦,很多人不理解为什么要做。后来它慢慢变成一种基础能力,现在做检索增强生成、做动态本体,也会用到图谱。技术能不能留下来,最终还是要看它在业务里解决了什么问题。
但真正把一个行业的本体做好,难度不小。行业业务逻辑、数据标准都要梳理清楚,还需要有相应的组织和体系去推动。信息化基础较好、已有数据标准的行业,可能会相对有利;不过不同行业的差异很大,不能简单类比。至少从我们深耕的国防领域来看,这条路还比较长。
我觉得本体的热度短期不会很快消退,因为它确实触及了客户的实际痛点。但能不能长期发展下去,我认为主要看三个方面:同一个本体能不能撑住第二个、第三个场景;本体发生变更时,对下游系统的影响能不能得到有效控制;以及推理出现错误时,能不能追溯到具体的依据和出错环节。这三条能往好的方向走,本体就有持续落地的基础;否则,热度再高也很难真正留下来。
爱分析:客户是否愿意开放真正有价值的业务场景?
洪万福:从我们接触的情况看,客户的需求是很明确的。虽然跨组织、跨系统的协同机制不容易打通,但不少真正做业务的人是理解这些技术的,也愿意把重要场景拿出来,一起讨论能不能用技术解决实际问题。
当然,在我们接触过的一些本体应用需求中,也确实有一些场景与核心业务的关联度不高,这类场景即使完成建设,实际能发挥多大作用,也需要打个问号。
所以不能只看有没有项目、有没有用上这个技术。还是要回到场景本身,看问题解决之后,对客户到底产生了什么价值。
原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。
如有侵权,请联系 cloudcommunity@tencent.com 删除。