邱懿武
工作台

读懂 Palantir Ontology(完结篇):企业真正缺的,可能不是本体

Ontology 不是所有企业的必选项——只适合“反复发生、需跨系统协作、又在持续变化”的决策;企业 AI 最难沉淀的不是文档,是“我们实际上怎样工作”。

整理日期
讲者
打工人小伊(Palantir Ontology 系列完结篇)

渠道:微信公众号 · 体裁:文章 · 信源层级:二手(一手为 Palantir 官方文档;本文为系列解读)


〇、缘起:一个读者质疑

有读者留言:“智能化时代要先解决业务知识沉淀与转化。但处于快速创新的公司,本体这套逻辑能否落地,我深度怀疑——成熟业务越标准化越容易落地,可既然标准化了,效能提升空间又有限,也就不需要本体了。”

这个悖论:公司变化快 → 刚建好就过时;业务已稳定 → ERP/CRM/工作流又足够。两头都说得通,本体价值到底在哪?

结论先行:

Ontology 并不是所有企业的必选项。它更适合那些「反复发生、需要跨系统协作,同时又在持续变化」的决策。

业务变化不是反对建本体的充分理由。但如果根本没有值得重复的决策,那就不要建。


一、两类不该建本体的场景

第一类:还在纯探索阶段的业务。 初创公司每两周换目标客户、产品打包/定价/交付都没定,今天叫“项目”的下周可能被拆成订阅+服务。→ 此时应尽快获得真实反馈,表格/临时脚本/人工/轻量原型更合适。太早建公共本体,会把尚未成熟的猜测写成“公司标准”。

第二类:已经简单、稳定、单系统可完成的流程。 如固定规则的费用报销,数据在同一套系统、审批路径明确、例外少、后果不传导到五部门。→ 修好现有工作流,往往比引入一层 Ontology 更实在。

不用本体,不是技术落后。它可能只是一笔算清楚的账。


二、问题不在“标准化程度”,而在两条轴

别再画“创新 vs 成熟”,更有用的两条轴是:

  1. 业务变化有多快;
  2. 一类决策是否反复出现,每次要付出多大跨系统协调成本。

例子:一家快速增长的企业软件公司,每季度都调产品套餐/合同条款/客户成功策略,但每周仍要回答同一类问题——“哪些客户续约风险上升,今天由谁介入?”

这个决策要综合 CRM 客户关系 + 合同系统到期日与承诺 + 产品日志使用变化 + 工单故障 + 财务回款。对象(客户/合同/产品/工单)没有每天消失,但风险判断与处理策略一直在变。

→ 这里要沉淀的是“决策结构”:涉及谁、用了什么事实、谁可以采取什么行动、结果如何回到下一次判断中。某一版风险公式只是其中的可变部分。


三、三层结构:本体会过时,但过时的不该是整个世界

“如果折扣阈值改了就要重建『客户』对象,产品经理换了评分方法整条客户关系都要迁移,那当然落不下去。这不一定是业务太快,也可能是把易变的规则错当成了稳定的业务语义。”

生产中的 Ontology 分三层:

  1. 最里面·稳定核心:对象身份、基本关系、权限边界、Action 的业务含义、一次决策要留哪些证据。→ 不是永不变,但不该因一次运营调整就全部推倒。
  2. 中间·可变逻辑:评分模型、阈值、Function、审批环节、Agent 可调用的工具范围。→ 本来就该随策略/数据/组织经验调整。
  3. 最外面·实验边缘:一次性假设、临时表格、新客群玩法、未证明可复用的经验。→ 先留在沙盘/原型/人工流程,别急着升格为全公司契约。

Palantir 为 Ontology 提供 branch / proposal / review / rebase / merge 等变更机制——本体应该按生产软件的方式演进,不是在会议室审议一次然后永久封存。


四、企业 AI 最难沉淀的,不是文档

信息化让事实进入系统,数字化让报表指标丰富,但业务真正如何运转,往往藏在缝隙里:

把这些经验整理成一本知识库还不够。

“一个 Agent 知道『遇到供应中断要考虑客户优先级』,不代表它知道当前受影响的客户是谁、优先级从哪里取、能调用哪个调拨 Action,更不代表它已获得写回权限。”

→ “知识沉淀”真正困难的部分:把经验转成「可识别的对象、可测试的逻辑、有权限边界的动作」,再让结果回来修正下一次决策。

NBER「生产力 J 曲线」:AI 这类通用技术要变成生产力,还需对流程/产品/商业模式/人力资本做配套投资。模型接入某个界面的那天,这些投资不会自动完成。


五、FDE:把现场知识变成系统


六、企业 AI 落地,通常不是卡在模型上(四个真问题)

  1. 团队选了个“AI 看起来能做”的任务,却没人对决策结果负责。 项目能展示验收甚至拿到不错的模型指标,但业务方没有一个固定岗位会因它改变今天的工作。
  2. 显性规则进了 Prompt,例外却还留在人脑里。 一旦进生产,误报/驳回/临时绕行/上下游数据冲突迅速淹没演示时的完美路径。
  3. AI 能提建议,但没有受控的 Action。 最后仍由人复制订单号、切系统、重录入;系统没记录建议是否被接受,更不知这次决定后来是对是错。
  4. 第一个客户的问题解决了,但没有东西被留下来。 连接器/异常类型/评估集/权限模板/客户运营经验,都没变成下一个项目能复用的产品资产。团队越成功,反而越需要堆人。

这四个问题,任何一个都不能靠换一个更强的模型直接解决。


七、一条更实际的 Ontology × FDE 落地回路

  1. 先写决策,不要先写对象清单。 明确谁在什么时间点要做什么决定、现在要多久、出错有什么后果。连业务 owner 和结果指标都找不到,先停在这里。
  2. 跟着用户做一遍,不要只听他怎么说。 记录数据来源、临时补充的表格、被忽略的系统状态、需要问人的例外、最终结果写到哪。
  3. 只沉淀稳定核心。 第一版只需足以支撑这次决策的对象/关系/权限和一两 个 Action;未稳定的评分策略放可测试可替换的逻辑层。
  4. 自动化程度一级一级开放。 先只读观察 → 再生成建议 → 然后允许暂存 Action 等审批 → 只有在误报/驳回/权限/失败处理都经真实运行后,才考虑让 Agent 自动闭环。
  5. 把驳回和例外当产品数据。 不要只记录“用户没采用”——要知道是数据旧了、规则错了、建议缺证据,还是用户考虑了系统看不到的组织因素。这些原因决定下一轮改的是数据、逻辑还是人机分工。
  6. 最后再谈复制。 第二个团队接入时,检查是否真正复用了对象定义/权限模板/Action/评估集/异常分类。如果只是又驻场写了一套新代码,那还是项目成功,不是组织能力。

八、什么情况下应该果断不建本体

Ontology 是需要长期维护的软件资产,没有人对它负责,它一定会过时。以下先不做:

同时命中好几条,就别用“企业 AI 底座”之类大词硬推下去。先回到原问题,往往更专业。


九、全系列其实只在问一件事

企业能不能把「我们实际上怎样工作」,变成一套可以共同使用、接受检查,并且随现实修改的软件?

真正值得沉淀的,往往不是今天那个标准答案,而是企业「如何得出答案、采取行动、发现错了怎么改」。


读后判断(范德)

这篇是 Palantir 系列的“哲学收口”,而且它把 FDE 系列里我一直没讲透的那句“回流机制”——具体化了:回流的产物就是 Ontology(本体)。 FDE 在前线挖知识,Ontology 是把知识固化成“可识别对象+可测试逻辑+有权限的动作”,再通过 branch/review/merge 持续演进。

三条对造物云/我们最直接的:

  1. “企业 AI 最难沉淀的不是文档,是把经验转成对象+逻辑+动作”——这句话点了我们的死穴。 造物云做方法论、知识库、Agent——我们沉淀的很多是“文档”(知识库),但文档 ≠ 可执行的对象/逻辑/动作。 这篇说得很准:“Agent 知道原则,不代表它知道当前客户是谁、优先级从哪取、能调哪个 Action、有没有写回权限。” 我们离“可执行的知识”还差一层。
  1. “四个真问题”是可以直接拿来审计我们自己的清单。 尤其 第 4 条:“第一个客户解决了,但没东西被留下来……团队越成功,越需要堆人。”——这正是造物云 KA 服务的风险画像。每次项目结束,我们留下了什么可复用的资产?
  1. “先写决策,不要先写对象清单”是极好的落地纪律。 我们做系统/Agent 时,常从“要建哪些表/对象”开始。这篇说:先明确“谁在什么时间点要做什么决定”——找不到业务 owner 和结果指标就先停。这条对我们所有系统设计都适用。

待反驳/边界:这篇是“打工人小伊”对 Palantir 文档的解读(非官方),且通篇是“给企业(有跨系统决策的组织)”的建议。对个人工作台(我们):大部分建议(不建本体、三层结构、先写决策)仍适用,但“Ontology 需要有专人长期维护”这条——个人场景反而是我们的优势(我自己就是那个负责人)。


附:本篇在“AI To B 落地线”的位置

你的9/4(判断) → 红杉(产业) → OpenAI FDE(操作) → Palantir why-FDE(源起) → YC AI Rollup(另一条路) → Muse(安全施工图) → 本篇(Ontology/知识沉淀——即“回流产物”是什么)