Build First Business Ontology(先建业务本体)
定义
Build First Business Ontology 是本库对两组同源文章的综合命名:在构建 Agent 前先把业务概念/约束(TBox)与具体事实(ABox)分开,再让本体工具和推理机参与语义判断。订单可加急等结果是教学示例,不是跨企业部署效果的实证。
证据边界
五个
source_raw并不代表五个独立研究:2026-04 的三篇来自同一发布方的连续系列,2026-06 的两篇来自同一作者的本体论系列。它们共同支持概念解释、工具示例和方法论主张,但没有独立企业对照来证明 Agent 准确率、成本或交付效果普遍改善。
核心要点(跨源综合)
TBox vs ABox 分离
- TBox = 类层级 + 属性 + 约束 = schema 层面
- ABox = 具体实例 + 实例间事实 = data 层面
- 推理发生在 TBox 给"什么条件成立" + ABox 给"现在有什么事实" 的结合处
工具链
- RDF(主谓宾三元组)适合 ABox 表达
- OWL(RDF 之上)适合 TBox(类层级、属性约束、等价类、逻辑限制)
- HermiT/Pellet 等 reasoner 自动推导
- GraphDB/Jena 适合 RDF/OWL/SPARQL;Neo4j 更适合显式关系分析
运行时加载
- Owlready2 示例:本体不是停留在建模工具的图,可在运行时加载、注入事实、调用推理机、返回结论
- 业务规则从自然语言改写为可推理模型(如 ReadyToShipOrder = "存在库存占用且质检通过")
跨域同构
- Just do less ↔ 复用 TBox primitives:Ian Silber 的"Just do less"在数据/规则层的对应是"复用 ontology primitives 而非硬编码规则"
- Build-First vs Build-Later:ontology 优先于 UI;类似"schema 优先于 view"在传统软件工程中的位置
- Harness-Engineering ↔ Harness Schema:harness 中 agent 调用工具的 schema 定义,本质上是 ontology 的工程化
立场偏见提醒
- ontology 工程的成本/收益比在不同业务规模下差异大
- 简单业务场景可能不需要完整 ontology(用硬编码规则就够)
- 该方法论对推理机性能有依赖,需评估 query 延迟
Source
- 20260420-build-first-business-ontology — 核心 raw
- 20260420-ontology-enterprise-ai-agent
- 20260420-ontology-meets-agent-case-study
- 20260613-ontology-for-agent-optimization
- 20260613-ontology-tokenmaxxing
关键数据点
- TBox = 类层级 + 属性 + 约束(schema 维度);ABox = 具体实例(data 维度);推理发生在两者结合处
- 工具链分工:RDF 适合 ABox、OWL 适合 TBox、reasoner(HermiT/Pellet)自动推导、GraphDB/Jena 适合 RDF/OWL/SPARQL、Neo4j 适合显式关系分析
- Owlready2 示例:本体可运行时加载、注入事实、调用推理机、返回结论——业务规则从自然语言改写为可推理模型
- 5 个 raw 条目支撑该方法论,但实际是两个同源文章系列(20260420 × 3 + 20260613 × 2),不能按 5 个独立证据族计数
前提与局限性
- ontology 工程成本/收益比随业务规模非线性——简单业务场景可能不需要完整 ontology(硬编码规则就够)
- 对推理机性能有依赖——query 慢时延迟不可接受
- 模型/规则的边界判定需要本体工程专家——团队需要特定技能
- 与 vector DB/RAG 路线有方法论竞争;不必然互斥,但优先级冲突需要选边
关联概念
- Ontology — 本体论的一般概念
- Harness-Engineering — Harness schema 与 ontology 工程同源
- Systems-Thinking — ontology 是系统 schema 的形式化
- Enterprise-AI-Model-Sourcing — 企业 AI 落地中 ontology 是数据底座
- Just-Do-Less — "复用 ontology primitives 而非硬编码规则" 是 Just do less 在数据层
- Knowledge-Work — 知识工作中"理解系统全貌"的需求与 ontology 共建