菜单
English articles本文暂无译文
积墨AI

积墨AI

从固定工作流到动态决策:用 Ontology 让 Agent 全托管真实业务工作

AI 要真正接管业务,靠的不是更强的模型,也不是更长的工具清单。一个业务团队在三个月内完成了 120 多项真实需求、工单与数据订正的全托管,秘诀在于把专家的判断方式写成可执行的决策函数,把业务知识建模成可被智能体遍历的本体图谱。工作流不再预先设计,而是从每一轮证据充分的判断里自己长出来。这篇文章拆解这套方法的核心:决策固化成什么形态、知识固化成什么结构、以及知识库如何靠每天积累一个小决策,慢慢长到能托管全部工作。

为什么预设工作流走不远

工作流形态这几年经历了多轮迭代:从手工拖拽节点,到自然语言描述的 Skill,再到内置脚本与预设流程的回潮。手工拖拽稳定但泛化差,场景稍变就要重新编排;自然语言 Skill 灵活却判断边界不清,证据不足时也容易继续推进;内置脚本解决了怎么做,却不天然回答该不该做。真实工作不是一条固定线,而是一张动态变化的图——一个工单可能起初看似页面问题,取证后才发现是账单对象或权限配置。因此更合理的路径是:不为每种场景提前画流程,而是让智能体在每个阶段运行决策函数,根据证据决定下一步。

决策函数与四层本体图谱

决策函数把专家怎么判断沉淀为槽位加图遍历加路由规则的可执行程序:它定义要回答的问题、触发场景、必须填满的证据槽、哪些路径必须拒绝,以及证明范围和下一步交接对象。智能体必须先取证填槽再决策,不能靠猜。而决策函数不能在空气里运行,它遍历的每张图、取的每份证据,都指向同一个地方——结构化知识库。知识库按业务、系统、交付、治理四层建模,把对象、属性、关系、状态、判断与动作拆成可检索、可组合、可验证的结构,让本体不只是给人读的文档,而是智能体可执行、可审计的业务世界模型。

智能体落地的成败,不在模型权重里、不在编排工具里,而在结构化业务知识的每一个决策槽位里

“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。

从产业实践看落地路径

从多年企业智能化落地的经验看,多数团队在 AI 接入业务时最容易犯的错误,是把精力全押在模型选型和编排工具上,而忽视了知识层的结构化建设。这套实践给出的路径值得借鉴:第一步,先识别业务里最核心的对象,例如发票、账单、开票申请,为每个对象建立别名、关键状态和显式关系,解决同一个词在不同业务线含义不同的问题;第二步,把业务对象与系统实现之间的桥建进对象定义里,登记可信的在线表、离线表、服务接口与代码入口,让排查时不必重新人肉梳理链路;第三步,把发布门禁、代码评审、回滚策略这些交付约束也写成图谱中的对象与决策节点,让流程成为对象之间边的顺序,智能体认识对象之后自然不需要背流程。整个过程中,证据不足不推进、结论不超出证明范围,每一步都有结构化产物,可审计、可复现,这才谈得上托管。

碎片沉淀与时间复利

很多团队习惯把经验打包成一个个独立的 Skill,但打包的问题在于:场景多了会产出几百个互相干扰的 Skill,规则一变就要全量维护,成本线性上涨。更优的模式是反过来——不预打包,碎片化存。每天遇到的需求、处理的工单、踩过的坑,解决过程被拆成三类碎片写回知识库:一条新的决策路由、一条拒绝路由、一个带回溯证据的黄金案例。执行时由决策函数按任务当场组装,同一条发布门禁路由既能与发票归属对象组合,也能与数据对账逻辑组合。碎片可复用、可组合、可独立演进:新场景用已有碎片拼装,规则修订只改一处、所有组合自动生效。写回本身也是受控的——先识别旧决策的缺口,生成学习提案,经过校验与案例回归、评审通过后才算长期知识,未验证的猜测一律不入库。图足够密之后,新任务路径上大多数判断点都会命中已有决策,人只需介入定目标、批高风险动作和补判断这几类事项。

模型会继续换代,编排框架会继续重写,但红冲工单要取哪些证据、哪条路绝对不能走、门禁之后交给谁——这些判断既不在模型权重里,也不在编排逻辑里,而在结构化的业务知识层。AI 原生化组织的关键是高质量决策,而决策的可复用与可审计,取决于知识结构化的深度。改变世界之前,先让 AI 认识世界。

#Ontology#知识图谱#决策函数#工作流编排
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