郑晓东：本体赋能——让 AI 大模型读懂企业业务
10月28日，由中国互联网协会主办，信息化观察网、北京国润互联信息技术研究院有限公司承办的“2026（第三届）集团企业数智化技术创新与生态大会”在北京成功召开。中国能源建设集团数智中心总经理郑晓东受邀出席大会，围绕《本体赋能：让AI大模型读懂企业业务》主题带来精彩分享，深度阐释知识本体技术如何打通大模型与集团业务场景的壁垒，为大型企业落地可信、可用的行业大模型提供实践思路。
中国能源建设集团数智中心总经理 郑晓东
郑晓东指出，当前很多集团企业虽已建成各类业务系统，沉淀完整业务数据，但普遍面临“数据都在，关系不在”的现实困境。数据分散在异构业务系统之中，缺少统一的业务语义；实体身份、业务关联关系、业务规则没有得到显性化沉淀。传统BI报表、NL2SQL、RAG、知识图谱等技术方案均存在各自局限，很难支撑复杂的跨系统业务推理，这也是企业大模型频繁出现幻觉、统计口径错位、输出结果不可靠的重要根源。
他以导航地图做通俗类比：知识图谱如同静态路网，记录实体与连接的客观事实；本体定义业务世界的对象、属性、关系、约束、可执行动作，明确业务概念含义、实体关联逻辑、业务判断规则。知识图谱回答“有哪些事物，它们连接在哪里”，本体回答“如何理解业务、按照什么规则执行业务”，二者协同，AI才能够真正读懂企业业务。
郑晓东对本体、数据模型、主数据、知识图谱、RAG几类容易混淆的概念做了辨析。他表示，本体是机器可识别的企业统一业务语言，具备统一定义、结构化表达、可推理、可执行四大特性；包含对象、属性、关系、规则、动作五大核心要素。本文所指为面向智能体落地的企业可执行业务本体，其中“动作”属于面向业务闭环的工程化扩展，区别于传统OWL语义网本体定义。本体本身不直接读取业务数据源，而是作为语义框架，通过数据映射规则对齐多源业务数据，实例化为知识图谱；向上为大模型、AI智能体提供可信语义底座，补齐大模型企业专有知识短板、强化多跳推理能力、缓解幻觉风险。依托MCP、A2A智能体工具与通信协议，以本体作为统一业务语义底座，支撑多智能体协同达成业务共识，支撑智能体完成查询分析、风险研判、业务处置闭环。MCP负责智能体与外部工具、系统之间标准化调用接入，A2A负责智能体和智能体之间任务交接通信，协议本身不生成业务语义共识。
他以供应链风险排查作为演示案例展开说明：当供应商发生风险事件时，通过本体完成实体精准解析，关联对应的合同、工程项目，按照预设业务规则完成过滤与统计；全部推理步骤和引用规则全程可追溯；当现有信息不足以得出有效结论，本体会明确拒答，规避虚假输出结果。业务规则支持业务方审阅、配置调整，把原先内嵌在程序代码内部的业务口径，转化为显性、可审计的企业业务资产。
在落地实施层面，他介绍了“知‑建‑用‑养”完整闭环方法论。本体建设不追求一步到位搭建全域完整模型，坚持“业务驱动、场景牵引、小步快跑、闭环验证”四大实施原则；依据业务需要解答的实际问题划定建模边界，执行十步闭环建模流程。本体属于需要持续运营的业务资产，并非一次性交付的文档成果；项目要设置业务、技术双责任人，严格落实版本管控、定期迭代评审。实践证明，本体项目的失败大多发生在运营阶段，而非建设建设期。
同时他明确划定本体的能力边界：本体无法彻底消除大模型全部错误；不能够自动补全源系统当中缺失的数据；也并不适配全部业务场景。本体更加适配跨多系统、多层关系分析、结果需要审计追溯的集团复杂业务。对于路径固定的简单报表场景、核心数据大面积缺失、业务口径尚未达成跨部门共识、仅单系统就可完成查询的业务，并不适合优先采用本体方案。
他着重提到，本体落地推进的最大瓶颈不在技术层面，而在于业务专家投入与业务定义权协同。本体建设本质是组织把内部业务口径显性化、标准化的过程，会涉及跨部门业务定义、口径裁决，需要高层建立决策裁决机制。同时技术侧还需要提前评估规模化性能、多源异构实体对齐、大规模下推理效率等现实风险。
面向智能体时代，郑晓东提出，本体正由传统的数据治理工具，演进成为企业AI智能体的基础设施。构建统一的行业本体标准，能够有效降低大型企业大模型、智能体落地成本。本体建设应当遵循“以问题倒逼治理，而非全面治理”的思路，优先跑通试点闭环，再做资产沉淀与场景复用。
“把业务关系写下来，AI才读得懂企业。”他建议集团企业优先选取高价值业务场景，跑通最小业务闭环，沉淀可复用本体资产，稳步推进智能化转型。
（本文根据“2026（第三届）集团企业数智化技术创新与生态大会”上的演讲内容整理，未经本人确认。）
