AI Agent 让本体论重新回到舞台中央

AI Agent 为什么重新需要本体论？

近期 AI Engineer World’s Fair 上，UC Berkeley 计算机科学教授 Frank Coyle 的一场 20 分钟演讲受到关注。他目前教授生成式 AI 与大语言模型课程，并在演讲中向今天的 AI 工程师重新介绍了“本体论”（ontology）的概念与实践。

Coyle 的核心观点是：大语言模型擅长概率式推理，但如果要让智能体系统真正有效运行，仅靠概率推理并不够。智能体还需要某种“逻辑护栏”，而他认为本体论正是这种护栏。

什么是本体论？

在计算机科学中，本体论通常指对某一知识领域中数据结构的描述，包括：

• 类（classes）
• 属性（properties）
• 关系（relationships）

Coyle 给出了一个更简洁的说法：本体论就是“作为图的数据”（data as graphs）。

他还提到，本体论这一概念可以追溯到亚里士多德，并且在人工智能的发展史中长期存在。换句话说，它并不是一个新概念，只是在大模型和智能体系统兴起后，被重新放到了工程实践的中心。

概率模型需要确定性边界

大语言模型的优势在于生成、推理和处理模糊输入，但智能体系统往往还要执行任务、调用工具、访问业务数据、触发工作流。此时，如果系统缺少清晰的领域结构和约束，就容易出现理解偏差、错误执行或上下文漂移。

本体论的价值在于，它可以把一个领域中的对象、概念和关系显式表示出来。例如，在企业场景中，客户、订单、合同、产品、员工、权限、流程之间并不是孤立数据点，而是有明确关系的网络。

当这些关系以图的形式被组织起来，智能体就可以在更清晰的语义结构中行动，而不是完全依赖模型自己从文本上下文中“猜”。

Neo4j 对智能体本体论的划分

图数据库公司 Neo4j 也在其智能体相关产品中使用本体论。Neo4j CEO Emil Eifrem 在 AI Engineer World’s Fair 的主题演讲中，谈到了用于支撑大规模智能体运行的三类本体论。他将其描述为一种更智能的“共享基底”。

1. 面向业务的本体论

第一类是业务本体论，用来描述组织中的关键概念。

它关注的是企业业务层面的核心对象与关系，例如客户、产品、交易、组织结构、业务流程等。对于智能体而言，这类本体论可以帮助它理解“这个组织到底如何运转”。

2. 技术本体论

第二类是技术本体论。Eifrem 将其描述为企业生态系统中所有数据源和数据资产的全部元数据。

这意味着，智能体不仅要理解业务概念，也需要知道数据在哪里、数据之间如何关联、哪些系统持有哪些信息，以及这些数据资产如何被访问和使用。

3. 执行轨迹

第三类是执行轨迹，即智能体运行时产生的信号。

这类信息反映智能体在实际执行任务过程中的行为路径，包括它调用了什么工具、访问了哪些数据、经过了哪些步骤、产生了什么中间结果。对于运行、调试和治理智能体系统，这类轨迹具有重要意义。

语义网概念的回潮

过去，语义网和本体论曾被认为过于复杂、工程成本高，未能成为主流开发范式。但在智能体系统中，许多老问题重新浮现：

• 模型如何理解企业内部概念？
• 智能体如何知道哪些数据可以被使用？
• 工具调用如何避免越界？
• 多个智能体如何共享同一套上下文？
• 系统如何追踪智能体的执行过程？

这些问题并不能完全依靠提示词解决。提示词可以提供临时上下文，但本体论提供的是更稳定、可复用、可推理的结构化语义层。

小结

本体论并不是因为大模型才出现的新技术，但智能体系统让它重新变得重要。

Coyle 强调的是：大语言模型提供概率式推理能力，而本体论可以为智能体提供逻辑护栏。Neo4j 的观点则进一步说明，在企业级智能体系统中，业务概念、技术元数据和执行轨迹都可能成为本体论的一部分。

随着 AI Agent 从演示走向真实业务场景，如何把概率模型放进更确定的结构之中，可能会成为工程落地中的关键问题之一。