智能体缺的不是更聪明的模型,而是“懂业务”
AI 智能体难以在企业中可靠行动,原因往往不是模型推理能力,而是缺少业务知识。Neo4j 发布的 Context Engine 用六层业务本体,把流程、术语、数据位置、权限与历史决策组织成一张图,并以 GraphRAG 检索和记忆学习支撑智能体。本文梳理其思路,也讨论 private preview 阶段仍需验证的问题。
支持对已公开的 133 篇文章进行关键词模糊搜索、分类与标签筛选。
AI 智能体难以在企业中可靠行动,原因往往不是模型推理能力,而是缺少业务知识。Neo4j 发布的 Context Engine 用六层业务本体,把流程、术语、数据位置、权限与历史决策组织成一张图,并以 GraphRAG 检索和记忆学习支撑智能体。本文梳理其思路,也讨论 private preview 阶段仍需验证的问题。
企业 AI 提案常常停在“需要知识图谱”的概念上。本文把它拆成三层:定义知识形态的概念层,抽取业务逻辑、让 AI 能判断的应用层,以及支撑判断与执行的云基础设施层。文章还讨论了由 5 个周期、6 种能力构成的判断框架,用 MCP 把旧系统包成 AI 可调用服务的 modernization 思路,以及为什么智能必须配得上执行。
11 月 3 日与朋友的小型分享会前,我先做一个把轻音乐自动转成钢琴谱并模拟演奏的热身 Demo,用它验证音频处理与 MIDI 生成链路。之后回到核心产品:用 Neo4j 知识图谱为 Agent 赋予动态的“Why”,并沿 STT 提速、知识碰撞、Why-Action-Reaction 闭环、Ambient IoT 硬件化四个阶段推进。文章也记录了目前尚未确定的问题与每周推进的方式。
把表结构塞进提示词,并不能让 AI Agent 理解业务含义,它照样会给出看起来很专业、实际却算错的数字。本文以保险业基准测试中 GPT-4 执行准确率从约 16% 提升到约 54% 为例,讲清由指标、本体和文档组成的语义层,如何通过 OBDA(虚拟知识图谱)把本体直接映射到现有数据,并用分层解析兼顾确定性与灵活性。文章还介绍了用 AWS Context Ontology Accelerator 让 AI 起草本体、专家审核,以及 MCP 与身份感知的治理和五条实践建议。
要让企业问答助手分清“苹果”是公司还是水果,并理解三张都叫 Customer 的表,机器需要的不是上下文,而是一个明确的语义模型——本体。本文从哲学起源讲到 Gruber 与 Studer 的定义,拆解类、个体、属性与公理,介绍 RDF、RDFS、OWL 及推理机的作用,梳理生物医学、Schema.org、企业集成、工业物联网和大模型时代的典型应用,并说明本体与知识图谱的区别以及动手构建的方法与常见错误。
本文从四十多年前提出的知识“节点理论”出发,探讨其与现代大语言模型(LLM)之间的共通之处。文章认为,AI不仅是提升效率的工具,更是连接不同知识体系的“认知协处理器”。借助AI,人们能够更快地发现跨学科知识之间的关联,实现认知边界的扩展,而真正决定未来高度的,仍然是人类持续探索与思考的能力。