近期，企业级AI智能体的发展备受关注，Palantir提出的“FDE模式”和“本体论”成为众多AI企业学习的焦点。用友在继FDE模式后，又提出了本体驱动的智能体解决方案，旨在解决企业AI落地过程中的“最后一公里”难题。
当前，企业在应用AI技术时面临诸多挑战。大模型本身存在技术局限，如幻觉问题、知识更新滞后以及推理能力不足等。例如，在涉及高精度汇率换算时，多数大模型难以准确计算；处理大规模数据时，受限于输入长度，大模型难以结合上下文进行有效分析。为提高准确性，企业不得不投入大量工程化手段，如通过模型知识与外挂知识库结合的方式，但知识库的持续迭代和维护成本高昂。
智能体成为企业落地大模型的主要方式。据统计，企业智能体中，20%来自厂商提供的通用场景，20%由IT与业务部门合作建设，60%则由业务部门自行开发。然而，智能体的广泛应用也带来了新问题，如数据孤岛、多模态数据融合困难、思考能力不足以及缺乏业务逻辑理解等。例如，不同智能体间的数据可能不一致，底层数据结构变动时，维护工作繁重；非结构化与结构化数据难以统一使用；外挂知识库仅靠记忆碎片回答问题，无法真正理解业务逻辑；面对应收账款风险时，AI无法判断后续处置措施。
针对这些问题，用友提出了本体驱动的智能体解决方案。本体被定义为现实世界的数字孪生，涵盖对象、属性、关系、规则、模拟测算以及行动与反馈六个方面。通过本体，企业可以基于结构化和非结构化数据自动创建图谱，并将其作为节点编排到意图流中调用。这一方案使智能体能够结合语义理解进行数据洞察，提升决策的准确性和实时性。
以报销单管理为例，用友的AI助手通过“一句话构建本体”功能，自动从相关数据表中提取信息，生成本体图谱。用户可以查看图谱中的报销单详情，包括带参数的动作、规则和数据实例。本体创建后，可在编排流程中调用相关节点，实现费控智能体的问答功能。这一方案不仅提升了数据处理效率，还增强了智能体的业务理解能力。
本体驱动的智能体方案在稳定性、准确性、智能决策、进化能力、实时性、开放性和安全性等方面具有显著优势。通过引入本体，企业AI架构从传统的RAG模式升级为OAG模式，使智能体能够真正理解业务操作。未来，企业AI架构将分为三层：底层是数据层，中间是本体层，上层是智能应用层，包括Agent平台和具体Agent。
在实际应用中，本体驱动的智能体方案已展现出巨大潜力。例如，在客户标签管理中，本体使企业能够更精细地控制排程优先级；在销售员绩效管理中，AI可根据拜访记录自动打分，提升评价的及时性和准确性；在原材料价格上涨问题中，本体支持实时调价模拟和测算；在能源集团财务分析中，本体确保了多维度数据的统一性；在金融业务问数中，本体通过统一入口实现智能体间的交叉验证，保障了数据准确性。
有观点认为，本体可视为加强版的知识图谱，不仅包含名词间的关系，还涵盖动词等动态信息。通过本体，大模型能够梳理和理解业务概念之间的联系，从而在理解业务关系的基础上进行回答，比传统RAG模式更准确。然而，本体自动创建的准确性仍需人工检查和调整，不同领域数据创建的本体如何合成企业内唯一本体，以及本体层与数据中台数据模型层的关系等问题，仍需进一步探讨。
