解决企业AI落地最后一公里问题，用友详解基于“本体”的智能体解决方案
当前企业AI落地面临的挑战
大模型固有的一些技术挑战：幻觉、知识更新停滞、推理能力不足等。例如有些企业需要亿元级金额做汇率的换算，汇率精确到小数点后的八位，绝大多数的大模型进行这个计算都是错误的。又如受限于大模型输入限制，如果Excel在5万行以上，大模型分析Excel就很难实现结合上下文分析，而企业动辄百万行数据。
企业通过一些工程化手段落地，但属于无奈的选择。例如大模型本身可能只有80%的准确率，要做到更高的准确率，需要60%靠大模型，还要投入40%的工程化来提升准确率。又如为了让模型回答更具体，需要70%模型知识+30%外挂知识库来实现，但是知识库需要持续发现问题持续迭代。
智能体成为当前企业落地大模型的主要路径，企业的智能体中，20%来自厂商通用场景智能体，20%由IT和业务合作建设，60%由业务部门自建。
但是智能体的增多也依然面临很多问题
智能体孤岛：不同智能体数据可能不一致，一旦底层数据结构变动，成百上千的智能体维护工作巨大。
多模态数据融合难：非结构化数据和结构化数据很难统一起来使用
思考能力差：外挂知识库只是靠记忆碎片背答案，并不是真正理解背后业务逻辑，遇到新场景会懵。
不懂业务逻辑：发现应收账款风险之后，应该如何处置，AI无从判断。
什么是本体，怎么用
查看创建的本体图谱
展开其中的报销单，里面包含蓝色是带参数的动作，褐色为规则，粉色是数据实例，表示有一条关联在报销单主表上。
本体智能体的优势
引入本体满足企业AI的6个方面的需求：稳定准确、智能决策、进化、实时、开放、安全可靠
引入本体后，从RAG升级到OAG，智能体能够懂业务操作。
未来企业的AI架构，底层是数据层，中间是本体层，包含数据对象、关系、测算等。上面是智能应用层，含Agent平台和具体的Agent。
具体场景案例
客户标签管理
用友数据服务里有个客户标签的模型，可以构建不同的客户标签。以往销售做客户拜访的行程安排的时候，只能把这些标签结合起来用，如优先拜访高价值、高应收账款且出现诉讼的客户，这个过程中，结构化数据和非结构化数据是分开使用的。
有了本体后，可以做更精细的控制，比如把优先级分为10级，排程更加的精细。
销售员分散在各地，管理者对于销售人员实际去拜访客户的具体情况并不清楚，以往管理销售员业绩的时候，采用拜访客户次数和业绩2个事后指标对销售员进行评价，其中的高访低成（拜访客户多，但是业绩低）销售员很忙但没业绩，以往只能人工跟访去判断这个销售员的能力。
本体智能体应用后，AI可以自动根据销售员写的拜访客户记录进行打分，评价几次拜访客户的记录是否相似，后续拜访是否在之前的基础上有所改善等，从而对业务员的评价更及时、准确和专业。这样可以增加一个维度对销售员做更精细的管理，以后还可以增加更多指标进行划分和管理。
AIE看法
简单的理解，本体就是个加强版的知识图谱，不仅含名词间的关系，还含了动词等。让大模型基于本体进行问答，就是让大模型能够梳理和理解业务概念之间的联系，在理解业务关系的基础上进行回答，比当前的纯RAG更准确。
本体的这一理念，和Graph RAG的理念比较接近，Graph RAG的确是能够提升模型问答效果，但是还面临计算量过高的问题，是比RAG的前进，但似乎仍不是最终答案，仍需要进一步优化。
面对RAG的确定性问题，此前文章也介绍了朗新确定性RAG的一些技术思路：朗新提出提高RAG问答准确率的方案：高可靠智能问答引擎，与Graph RAG、本体多少有些相似，可供参考。
当然，尽管此次的介绍相比之前具体了很多，但还是有很多细节没有介绍的特别具体，估计很多人看完依然还是比较懵逼的。一些问题仍然有必要做进一步的探讨，例如
本体似乎也并没有固化真正存储在业务人员脑子里的经验？
自动创建的本体是否能够保证足够的准确，是否需要实施时的繁重人工检查和调整？
来自不同领域的数据创建的本体们是否能合成企业内的唯一的本体，还是也会形成各个域的很多本体？
本体层与企业之前构建数据中台时创建的数据模型层是什么关系？
此外，25年底以来，Anthropic提出的Skills看起来是个很重要的方向，相比于开发一大堆的Agent，利用Skills固化可重用的业务人员经验可能更有价值，对应的整个企业级Agent体系又将如何构建，都值得进一步探讨。
“本体”还是比较新的事物，有关本体及企业级Agent落地的相关看法，欢迎大家在评论区共同讨论。
