菜单
English articles本文暂无译文
积墨AI

积墨AI

本体Ontology如何让Coding Agent越用越懂项目:从Memory到三层知识图谱实践

一个Coding Agent怎样才能逐渐熟悉一个项目?通用大模型提供了代码理解与推理能力,但具体项目中的概念约定、业务规则和历史经验,仍需从团队材料与实际工作中获得。拿到信息之后,Agent还要判断这些知识在什么条件下成立、如何影响当前任务。这背后其实是两个问题:一是如何表达项目知识,让模型准确理解我们在讨论什么;二是如何利用执行反馈,让后续任务持续受益。本体(Ontology)与自改进机制分别从这两个方向提供了思路,而Memory承担知识保存与复用的桥梁角色。

从58%到65%:可验证的初步增益

知识工程中的本体,指的是把一个领域有哪些概念、概念之间是什么关系、在什么条件下成立,明确表达成一套可共享的模型。共享是关键词:一个人心里知道什么叫订单完成,不代表仓储、财务和客服系统使用同一含义;模型理解中文的完成一词,也不等于知道某家公司以支付、出库还是签收作为完成标准。本体要表达的就是这类领域内约定,让概念与关系具有可核对的明确语义,模型不必每次从散落材料中临时猜测。

这些概念经常一起出现,但关注点不同:数据库Schema描述数据如何组织,知识图谱描述实体与关联,RAG把检索内容提供给模型,本体则强调对象与关系的共同含义。一张表有status字段,不代表我们知道它属于订单还是发货单、哪些状态是中间态、何时能据此认定业务完成。检索找到一份政策,还需要判断它是否适用于当前对象与场景。补齐检索能力与补齐领域含义,是两项不同的工作,而后者正是本体要解决的核心问题。

Agent懂不懂一个项目,不在模型参数里、不在对话记忆里,而在每条业务约定是否被沉淀为可核对的共享语义。

“行业观察”
积墨 AI 核心产品

积墨 AI 智能体开发平台

快速搭建具备商业价值的 AI 智能体,支持复杂工作流编排、50+ 主流模型接入与私有化部署。

从多年产业实践经验来看,让Agent真正越用越懂项目,需要把知识组织融入实际研发流程。可行的做法是在设计完成到上线前测试的Loop中,构建三层互索引图谱:第一层是工程事实,通过工程手段建立函数、类型、字段、接口及其使用者之间的关系,支持跨仓关联,帮助Agent知道定义在哪里、谁在使用;第二层是项目语义,结合工程分析与LLM提取功能职责、业务概念、字段含义、跨仓映射及约束,LLM生成的候选关系不能仅凭语言流畅就升级为项目事实,必须围绕工程位置提出可核对的解释;第三层是错误与经验,将历史Bug整理成经验挂到前两层节点上,区分发生过的事件与可复用的经验,保留触发条件、根因依据与适用边界。Agent可以从任何一层进入,有明确符号时从工程层开始,只有业务需求时先找概念,面对故障现象时先检索经验,再依据当前问题选择下一条关系,让每一步查询有依据,查询结果又能回到当前判断。

在一项内部代码Bug定位试验中,加入上述图谱能力后,Agent的问题定位成功率从58%提升到65%,增加7个百分点。这是一个初步正向信号,说明三层关联知识在这批定位任务上值得继续验证,但定位只是完整Loop中的子任务,补丁正确性、回归充分性仍会影响最终交付,因此不能直接换算成整体研发效率提升。评估时需要进一步分层对照:工程图是否让跨仓代码更容易找到、语义解释是否减少了对象误判、历史经验是否提供了更好的诊断起点。更关键的后续方向是让改进本身可验证——一组使用冻结版本图谱,另一组只吸收已通过检查的经验,在下一批未见任务上比较;借鉴EvoOntology的思路,每次候选修改都应针对可解释的问题(语义缺失、映射错误、访问困难或执行遗漏),明确预计改变的行为后再比较修改前后。同时要守住边界:知识可以修订,业务目标与权限不能由学习过程自行放宽,成本也要计入端到端比较。

本体帮助系统表达与使用领域知识,Memory保存知识及其来源,Loop提供行动与真实反馈,自改进机制利用后续结果判断什么该保留、修正或放弃。一个Loop结束后,除了交付需求与测试结果,还应留下这轮新弄明白的项目知识。下一轮能从这里可靠开始,就少一次重复理解、少一次相同误判——这正是让Agent越用越懂项目的起点。

#Ontology#知识图谱#Coding Agent#Memory#工作流编排#RAG
分享文章

相关文章推荐

试用咨询
企业微信二维码

扫码添加企业微信