跳转到内容
NTLx's Blog

Genie Ontology 读后感：把 AI 可信回答变成一层一层的信任工程

为什么 LLM 需要一张“业务地图”

Section titled “为什么 LLM 需要一张“业务地图””

读完 Databricks 这篇关于 Genie Ontology 的博客，我第一个念头是：它把企业 AI 的一个老大难问题——“LLM 明明会推理，为什么回答业务问题时总是差口气”——从模型层面拉回到了数据治理层面。文章开头就点破，大语言模型懂语法、会推理，但它不知道你公司的 ARR 怎么算、不知道“活跃客户”在哪些表里被重新定义过、也不知道哪些 dashboard 是业务最认可的权威来源。没有这张业务地图，Agent 只能对着 schema 猜。

这个判断我自己也深有体会。过去半年看了不少 Agent 产品，无论是代码助手还是数据分析 Agent，凡是真正好用的，背后都有一套被认真对待的“上下文工程”——而不是简单接了个 LLM。Databricks 把它命名为 Genie Ontology，核心就是把“业务概念、关系、规则、权限”从隐性经验变成可被机器检索和推理的结构。

“建头推尾”：把信任拆成六层

Section titled ““建头推尾”：把信任拆成六层”

文章把落地路径拆成六层：数据基础、元数据、语义层、上下文丰富资产、治理、评估与改进。看起来像是把数据治理的老生常谈重新排列，但六层之间的递进关系很关键。Layer 0 是物理基础，表不干净、schema 不一致，后面都白搭；Layer 1 让表和列会说话；Layer 2 用 Metric Views、Pages、Domains 把业务定义显式建模出来；Layer 3 让 Genie 能从已有 dashboard、notebook、查询里自动学习；Layer 4 用权限和血缘保证安全；Layer 5 则是持续验证，让前面的投入不腐烂。

我最喜欢文章里的一个比喻：model the “head” and let Genie infer the “tail”。意思是，人工只把最关键、最必须准确的业务概念（head）建模清楚，剩下的大长尾（tail）交给系统自动推断。这不是在偷懒，而是企业知识本来就没法也没必要一次性完整建模。关键概念人工保证，长尾上下文自动吸收，这才是一套能落地的机制。

这种分层思路和我之前写到的“显性上下文是 Agent 的硬通货”不谋而合。站内那篇《LangChain 抛弃传统 BI：Agent 优先的数据栈，真正拼的是“显性上下文”》讨论的是同一趋势在不同产品形态下的表现；Databricks 则用自己的 Lakehouse + Unity Catalog 治理底座，把它做成了一个可执行的产品路径。

最容易被低估的一层：评估不是一次性 gate

Section titled “最容易被低估的一层：评估不是一次性 gate”

六层里，我觉得最有洞察、也最容易被团队跳过的是 Layer 5。文章的原话是：“Evaluation is not a one-time gate before launch; it is an ongoing habit across every asset that feeds an answer.” 这句话值得贴在每个数据团队的墙上——如果他们真的这么做的话。

我见过太多项目把语义层当作一次性建模工程：定义好指标、建好 dashboard、写份文档，就算上线。但业务会变化，指标口径会调整，表会过期，新产品会引入新的实体关系。如果没有持续的 ground truth、Agent-level evaluation 和系统表监控，前面的五层会迅速腐烂成“看起来治理了，但 AI 还是答错”的局面。更危险的是，用户会因此对 AI 回答失去信心，而且这种信心一旦流失，重建成本极高。

所以 Genie Ontology 给我的第二个启发是：信任不是静态状态，而是需要持续验证的动态资产。评估层存在的意义，就是把这种信任从“感觉靠谱”变成“可以被检查和辩护”。

最小启动：从一个域开始

Section titled “最小启动：从一个域开始”

文章的结尾建议很反直觉，但也很务实：不要试图在上线前覆盖整个业务。相反，选一个高摩擦、高价值的业务域——比如 Sales + ARR——先把关键指标、术语、权威资产、权限和评估跑起来，再用结果驱动下一个域。这种“先硬一个头，再扩展”的策略，和六层框架本身一样重要。

因为它把一个听起来庞大的“企业语义层”工程，拆成了可以被一个小组在几周内验证的小闭环。你可以很快回答一个问题：在这个域里，Genie 的回答是否比业务用户翻表格更快、更一致、更值得信任？如果能，再扩展；如果不能，先回过来补数据、补定义、补治理。

这也回应了我最初的一个疑问：Databricks 为什么要用六层这种“保守”的框架，而不是宣传更性感的端到端 AI？答案或许是，真正决定企业 AI 成败的不是模型能力，而是组织是否愿意持续投入描述、定义、治理和评估。Genie Ontology 只是把这件苦活，包装成了一组可以循序渐进的能力。

参考资料

Section titled “参考资料”