让AI真正懂业务:璇玑如何成为企业AI的语义基础设施

云向阳行业资讯📡 量子位2026-11-13622 阅读💛 138 收藏
< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400">

让AI真正懂业务:璇玑如何成为企业AI的语义基础设施

企业 AI 的难题,不只是模型够不够强

大模型让自然语言交互变得轻松,却没有自动解决企业知识如何被准确理解的问题。同一个业务指标可能有不同口径,同一类对象可能散落在多个系统;制度、经验和例外规则则分布在文档、数据字典和业务人员的实践中。模型即使能够生成流畅的回答,也未必知道企业内部的概念边界、数据含义和判断依据。

这也是企业AI从演示走向业务应用时必须回答的问题:模型怎样知道“订单”“业绩组织”“营销目标”分别指什么?它如何找到对应数据,按照什么规则分析,又怎样让业务人员复核结果?

中兴通讯“璇玑”系统面向的正是这一层需求。它以本体语义组织企业知识,连接业务语义与数据资源,并将知识服务接入智能体和业务应用。由此,璇玑可以定位为企业AI基础设施中的本体语义软件平台:让AI使用企业知识时有统一语义、有数据映射,也有可检查的推理依据。

一、从文档检索到业务语义

检索增强生成(RAG)让模型能够查找外部资料,但“检索到相关文本”不等同于“理解业务”。回答一个企业问题,系统可能还需要识别涉及的业务对象,关联多个数据源,理解指标口径,并应用相应规则。单靠文本相似度,难以稳定表达对象之间的结构化关系和业务约束。

本体建模提供了一种组织业务知识的方法:用概念描述业务对象,用属性描述对象特征,用关系描述对象之间的联系,并通过规则表达业务判断,再将这些语义与数据库表、字段和API对应起来,机器才有机会从自然语言问题继续走到结构化查询与规则推理。

因此,企业AI的语义基础设施并非替代大模型或RAG,而是补足它们缺少的企业语义层。模型负责理解和交互,本体与规则提供稳定的业务概念和约束,数据服务提供事实依据,智能体编排则把这些能力接入工作流程。

二、璇玑的定位:连接知识、数据与智能体的语义平台

璇玑是面向企业场景的本体语义驱动型智能数据平台,以统一语义为核心枢纽,平台向下连接多源数据,向上提供RESTAPI、GUI、LUI、SDK、Webhook等方式接入业务应用,并提供事件与规则引擎、任务编排、数据洞察、多模态处理与检索,以及Skills/Tool/MCP能力调用。

通过统一建模、语义映射、任务执行和反馈沉淀,璇玑形成从数据理解、业务决策到行动执行的闭环,可服务于采购、供应链、财务、客户关系和运营等多类企业场景。

三、一条业务语义链路:璇玑如何把“订货业绩”变成可验证结论

企业用户通常不会直接提出“请执行本体查询”,而是使用业务语言提出问题,例如:“本季度各组织的订货业绩完成情况如何?”“哪些客户的订货业绩低于目标?”“某产品的业绩同比变化是多少?”

璇玑的作用不是让模型生成更长的回答,而是将这些业务表达转换为明确的业务对象、业务关系、数据事实和计算规则,并最终形成可查询、可推理、可复核的业务结论。

以“订货业绩”场景为例,璇玑通过统一语义层构建订货业绩本体模型,将组织、客户、产品、项目等业务对象,以及它们之间的关系、业务指标和业务行为组织起来,再通过语义映射连接实际数据,支持从自然语言问数到指标计算和规则推理的完整链路。

1.从业务表达识别对象和关系

“订货业绩”并不是一个孤立指标,它可能涉及订货单、业绩组织、营销目标等多个对象。平台首先需要明确这些对象分别代表什么,以及它们之间如何关联,这一过程的价值在于,把依赖个人经验理解的业务语言,转换为可共享、可维护的语义结构。

2.从语义对象连接实际数据

完成业务本体建模后,本体中的类、属性和关系还需要映射到数据库表、字段及API,璇玑通过语义映射和本体实例化,建立业务概念与数据资产之间的对应关系。

经过映射后,模型面对的不再是缺少业务含义的孤立字段,而是带有明确语义的数据。例如,系统能够识别哪个字段表示订货金额,哪张表保存组织与客户的关系,哪个数据服务提供产品目标信息,以及某项指标应采用什么计算口径。

3.从数据事实进入规则推理

数据映射完成后,本体推理智能体可以结合指标口径、时间规则、业务规则和多步逻辑关系,对业务问题进行检索与推理。在这一过程中,指标SPARQL模板、时间规则、枚举实例和行业黑话等语义资产,为检索和推理提供支撑。

业务人员可以沿着“业务事实—关系—规则—结论”的路径复核答案,定位问题究竟来自数据、语义映射还是规则配置。

4.从一次回答走向可持续的业务知识

璇玑提供的并不只是某一次“订货业绩”问答,而是一种将业务经验沉淀为知识、将知识连接到数据、再将数据和规则转化为可复核结论的软件机制。

在实际使用过程中,用户与智能体的交互、补充和纠正信息持续反馈到统一语义层,并支撑后续的智能问数、数据洞察和规则推理,逐步提升问数准确度,减少实体消歧和人工澄清,降低业务人员获取数据和分析结论的时间成本。

四、标准测试与持续治理:让语义资产从一次建模走向长期运营

企业本体不是一次性交付的静态文档,而是会随组织调整、业务变化和规则更新持续演进的资产。一次建模解决的是“如何表达”,长期运营要解决的则是“是否准确、能否复用、何时发布以及如何追溯”。如果没有质量验证、版本管理和发布控制,语义模型就可能逐渐偏离实际业务,进而影响智能体和业务应用的判断。

1.用标准测试建立可比较的能力基线

璇玑系统通过了中国信通院本体建模平台测试。测试依据《本体建模能力要求》,覆盖需求分析、本体设计、本体实现、验证测试、发布运维五大能力域和20个能力项,重点关注建模成果的语义一致性、业务适用性、可复用性与可追溯性。

这类标准测试的意义,不只是证明平台“能够建模”,更是为企业选型、项目验收和能力比较提供统一尺度:需求是否被准确理解,概念和关系是否设计合理,建模成果能否验证、发布和维护,都被纳入同一套评价框架。

2.用质量门禁控制知识发布

知识一旦进入智能体和业务流程,错误的概念、关系或规则就可能被放大。因此,璇玑联动质量检查与本体模型发布条件,防止未经验证的语义成果直接进入应用。

3.用版本机制支撑知识持续演进

企业知识的变化需要留下记录,也需要能够回到历史状态,璇玑支持版本比对、历史回滚和归档管理,使业务人员能够了解某一版本发生了哪些变化,在新版本出现问题时恢复到可用版本,并保留知识演进的历史依据。让本体治理具备了类似软件工程的生命周期:建模、验证、发布、运行、变更和回滚彼此衔接,知识不再是一次性项目文件,而是可以持续维护的基础资产。

4.把平台能力落实到业务责任闭环

信通院测试通过为平台能力提供了第三方标准验证,实际落地仍需要业务人员确认概念边界,数据人员维护语义映射,专家持续校验规则,应用团队根据运行反馈更新知识。

因此,璇玑的长期价值不仅在于提供建模工具,还在于把“谁来定义、谁来验证、谁来发布、谁来维护”纳入可追踪的工作闭环。只有当标准测试、质量门禁、版本管理和业务责任共同运行,企业语义才能真正从一次建模走向长期运营。

五、企业AI基础设施,需要模型之外的语义软件层

大模型是企业AI的重要能力来源,但不是完整的企业AI系统。模型需要业务数据作为事实,需要本体和规则作为语义与约束,也需要智能体和应用将能力组织进工作流程。璇玑所处的软件层,连接的正是这些原本容易分散建设的环节。

它的意义不在于替代模型、数据平台或业务系统,而在于为知识建模、数据语义映射、规则推理和知识服务提供统一的组织与调用方式。随着更多知识经过验证并被多个应用复用,企业才有机会减少重复解释业务、重复开发知识接口的成本,并让AI的分析过程更容易检查和维护。

当企业从“给模型接资料”进一步走向“让模型使用可计算的业务语义”,AI才可能从一次性的问答体验,成长为能够长期运营的业务能力。中兴通讯璇玑以本体为纽带、以智能体为载体的产品路径,正是在建设这层连接知识与应用的企业AI软件基础设施。

本文由中兴通讯提供,量子位获授权转载,观点归原作者所有。

版权所有,未经授权不得以任何形式转载及使用,违者必究。
中兴通讯
量子位的朋友们量子位的朋友们
  • 从通用大模型到学习过程智能,AI如何真正进入课堂?2026-11-12
  • 百曜科技入选全球 The Information 50!2026-11-12
  • “双十一”机器人在物流仓“埋头苦干”:昆腾动力开启具身智能规模化获客与交付阶段2026-11-12
  • 从“卖Token”到“卖结果” | 科技有「联想」沙龙激辩Token经济三大议题2026-11-11

相关阅读

文章评论(12)

崔欣怡3 天前

这个观点很中肯,深有同感。

回复
逐光而行3 天前

有没有更详细的教程,期待后续。

回复
墨沐雨3 天前

楼主辛苦了,内容很有参考价值。

回复
风倚栏3 天前

不错不错,已加入书签。

回复
星寻梦3 天前

整理得太全面了,省了我不少时间。

回复
空向阳3 天前

刚好最近在找这方面的资料,太及时了。

回复
逐光而行3 天前

写得挺用心的,支持一下。

回复
三分糖去冰3 天前

看完了,收获满满,期待更多更新。

回复
南山客3 天前

路过

回复
漾漾其华3 天前

看标题就点进来了,内容果然没让人失望。

回复
南山客2 天前

看标题就点进来了,内容果然没让人失望。

回复
晨寻梦2 天前

作者写得真不错,学到了不少。

回复