企业知识库建设本体论 异质智能体分工核验 夯实智能体基座

1　引言

企业知识库建设长期被理解为文档的集中托管，然而当智能体成为知识的主要消费者，这一理解便不再成立：智能体需要的不是可供人阅读的文件，而是具有确定语义、可被推理、可被核验的知识单元。由此浮现两条彼此独立却互为前提的主线——其一，围绕本体论展开的知识图谱构建，回答"知识以何种结构存在、如何从异构数据转译为可计算单元"；其二，围绕异质智能体分工展开的核验机制，回答"多个能力不同的智能体协作之后，产出由谁验证、以何为准"。前者奠定语义底座，后者守住可信边界，二者共同构成智能体基座的承重结构。本文评述近期这两条主线的代表性进展，并讨论其方法论意涵与融合缺口。

2　领域进展评述

2.1　本体与元数据驱动的企业知识图谱构建

企业知识图谱构建的核心难题在于异构性：财务、运维、客户、法规等数据分属不同系统，字段语义各异，抽象的通用本体难以直接落地。近期研究转向以本体为约束、以元数据为驱动的渐进式构建路径。Rolim等人提出以元数据驱动的方式在企业知识图谱中构造语义视图，借助大语言模型智能体把底层数据映射为面向任务的可查询语义层，使同一批企业数据能够按不同分析视角被重新组织（Rolim et al., 2025）。这一路线的意义在于将本体从一次性建成的静态产物，转变为可持续演化的语义契约：数据变化由元数据承载，语义变化由本体版本管理，智能体始终面向稳定的语义接口而非易变的存储结构。

与之互补的是对知识图谱构建整体的系统性梳理。Hofer等人对当前知识图谱构建的状态与挑战进行了综述，指出本体设计、实体消解、质量评估与溯源仍是制约工程化落地的关键环节（Hofer et al., 2024）；Wang等人则从技术脉络出发总结了构建技术的现状与未来机会（Wang et al., 2024）。将大语言模型接入企业知识的路线也获得了专门论证：Mariotti等人从增强自然语言理解的角度论证了语言模型与企业知识图谱结合的互补性——语言模型提供柔性理解，知识图谱提供刚性事实（Mariotti et al., 2024）。Bhattacharjya等人则以"基础模型向导"的隐喻，讨论了以知识与推理引导基础模型行为的机制（Bhattacharjya et al., 2024）。这些工作共同指向一个判断：本体不是知识库的装饰，而是使智能体可推理、可溯源的前置条件。

2.2　异质智能体分工的核验机制

当知识库交由多个能力互补的智能体协同消费与生产时，分工带来效率，也带来核验真空。Cemri等人对多智能体系统为何失败进行了系统归因，识别出规范不清、协调失调、验证缺失等反复出现的失败模式，其中验证环节的缺位被反复强调（Cemri et al., 2025）。这一发现把"核验"从事后质检提升为系统设计的必要组件。

围绕核验的设计随之展开。Xu等人提出验证感知的多智能体规划，将验证作为规划过程的一等公民，在行动生成阶段即嵌入可核验约束，使分工后的产出天然携带验证线索（Xu et al., 2025）。Lifshitz等人则从测试时算力扩展的角度提出多智能体验证，用多个验证器对候选产出进行交叉判别，以验证器数量换取可靠性（Lifshitz et al., 2025）。在评测层面，Zhu等人对基于大语言模型的智能体评测进行了系统综述，梳理了从单点能力到协作表现的评估演化（Zhu et al., 2025）；Luo等人则对语言模型智能体的方法论、应用与挑战做了全景式回顾，为核验机制提供了分类坐标系（Luo et al., 2025）。Laurenzi等人对面向未来工作与社会的智能体所属的治理与规范问题展开了讨论，提示核验不仅是技术问题，也是组织与制度问题（Laurenzi et al., 2024）；Mohammadi等人在知识发现场景下的工作则展示了多智能体协同在真实任务中的进展与约束（Mohammadi et al., 2025）。

3　方法论意涵

socienceAI实验室认为，两条主线共享同一套方法论骨架：以结构约束不确定性，以核验收敛自由度。本体路径通过本体与元数据，把开放的企业数据收敛为有限的、可对齐的语义单元；核验路径通过验证感知的规划与多验证器，把开放的分工产出收敛为可判定、可归因的结果。前者是空间维度的收敛——把语义空间压缩到智能体可共享的坐标系；后者是过程维度的收敛——把执行轨迹约束到可核验的通道。二者的深层一致性在于：可信并非来自更强的单点模型，而来自结构化的约束与独立于生成的验证。本体给出"以何为准"，核验给出"由谁背书"，缺一则智能体基座或语义飘忽、或产出失据。

4　挑战与展望

当前的缺口在于跨层耦合：本体路径产出的语义视图尚未被核验路径直接消费，核验路径的判定也尚未回写为知识库的演化证据。Hofer等人所指的溯源挑战与Cemri等人所指的验证缺失，在工程上实为同一问题的两面——缺少把知识单元与验证结论贯通起来的接口。socienceAI实验室认为，下一阶段的着力点在于构建"本体—核验"的双向通道：让每一次核验判定都能回溯到本体中的具体知识单元，让本体的每一次演化都能引用导致其变更的核验证据。唯有如此，企业知识库才能真正成为智能体基座的承重层——语义可稳定、产出可核验、失败可归因。在同一方向上，可参照本站关于知识可信生态建设的相关讨论（可信知识生态的构建路径）。

参考文献

1. Hofer M, Obraczka D, Saeedi A, Köpcke H, Rahm E. Construction of Knowledge Graphs: Current State and Challenges[J]. Information, 2024, 15(8): 509. DOI:10.3390/info15080509
2. Mariotti L, Guidetti V, Mandreoli F, Belli A, Lombardi P. Combining large language models with enterprise knowledge graphs: a perspective on enhanced natural language understanding[J]. Frontiers in Artificial Intelligence, 2024, 7: 1460065. DOI:10.3389/frai.2024.1460065
3. Wang Q, Li C, Zhang Y, et al. Knowledge Graph Construction: State-of-the Art Techniques and Future Opportunities[C]//2024 12th International Conference on Information Systems and Computing Technology (ISCTech). IEEE, 2024: 1-7. DOI:10.1109/isctech63666.2024.10845648
4. Laurenzi E, Mathys A, Martin A. The Future of Work and Society: Governance and Normative Issues of Agentic AI[C]//Proceedings of the AAAI Symposium Series. 2024, 3(1): 148-156. DOI:10.1609/aaaiss.v3i1.31194
5. Mohammadi M, Li Y, Lo J, Yip W. Agentic AI for Knowledge Discovery: Advances and Constraints in Real-World Tasks[C]//Proceedings of the 31st ACM SIGKDD Conference on Knowledge Discovery and Data Mining. 2025: 6129-6139. DOI:10.1145/3711896.3736570
6. Rolim T V, Freitas J R S, Vidal V M P. Metadata-Driven Construction of Semantic Views in Enterprise Knowledge Graphs with LLM Agents[C]//Anais Estendidos do XL Simpósio Brasileiro de Bancos de Dados (SBBD Estendido). 2025: 468-478. DOI:10.5753/sbbd_estendido.2025.248167
7. Bhattacharjya D, Lee J, Agravante D J, Ganesan B, Marinescu R. Foundation Model Sherpas: Guiding Foundation Models through Knowledge and Reasoning[EB/OL]. arXiv:2402.01602 (2024-02-02). https://arxiv.org/abs/2402.01602
8. Lifshitz S, McIlraith S A, Du Y. Multi-Agent Verification: Scaling Test-Time Compute with Multiple Verifiers[EB/OL]. arXiv:2502.20379 (2025-02-27). https://arxiv.org/abs/2502.20379
9. Cemri M, Pan M Z, Yang S, et al. Why Do Multi-Agent LLM Systems Fail?[EB/OL]. arXiv:2503.13657 (2025-03-17). https://arxiv.org/abs/2503.13657
10. Luo J, Zhang W, Yuan Y, et al. Large Language Model Agent: A Survey on Methodology, Applications and Challenges[EB/OL]. arXiv:2503.21460 (2025-03-27). https://arxiv.org/abs/2503.21460
11. Zhu J, Zhu M, Rui R, et al. Evolutionary Perspectives on the Evaluation of LLM-Based AI Agents: A Comprehensive Survey[EB/OL]. arXiv:2506.11102 (2025-06-06). https://arxiv.org/abs/2506.11102
12. Xu T, Zhang D, Mitra K, Hruschka E. Verification-Aware Planning for Multi-Agent Systems[EB/OL]. arXiv:2510.17109 (2025-10-20). https://arxiv.org/abs/2510.17109