內容已做精簡，如需獲取專家完整版視頻，請掃碼領取。
01
為什么本體在2025年的國內如此備受關注？原因是，人工智能的應用發展已步入一個全新的階段。過去，AI應用更多地集中于交互問答或內容生成等場景；而當前，AI技術正進一步滲透至各行各業，需要與實際的業務場景深度融合，真正推動業務落地。
該如何理解本體的作用呢？這里我結合自身的理解，與大家做個分享。
我過去的工作經歷主要在運營商與政務行業。假如現在要進入一個全新的領域，比如能源行業，通常有兩種學習方式：一種是直接拿到一堆代碼和文檔，靠自己摸索學習，這種方式往往需要花費大量時間與精力，效果卻未必理想。另一種是通過行業專家整理的入門手冊、行業規范、知識體系來進行學習，這種方式往往事半功倍，也是人類學習的常見方式。
對AI而言，情況是類似的。如果AI初次接觸能源行業，它同樣不了解該領域特有的術語與業務規則。此時，若只是直接向它提供代碼或一堆文檔，要求它進行結構化理解，以目前大模型的能力而言，仍然難以實現。但如果我們能為AI構建一個中間層的知識框架或“知識骨架”，就能幫助它更有效地理解業務邏輯。
正是基于這一認知，我們認為本體承擔了這一角色。它作為連接數據與AI應用的橋梁，將業務數據、邏輯和動作統一建模，讓AI以結構化的方式理解并準確執行業務。
最底層是對象，其核心在于統一業務語義。這一點看似平常，卻在跨部門協作或技術與業務人員溝通中至關重要。舉例來說，對于“客戶”這一概念：銷售部門可能將潛在購買者視為客戶；CRM 系統中，則必須有對應的客戶記錄才認定為客戶；而在財務系統中，必須存在實際經濟往來和訂單，才會被識別為客戶。在企業內部，統一這樣的概念十分困難，而這正是數智本體的第一個作用——通過對象來整合與明確業務概念。
中間層是邏輯，即明確業務規則。抽象業務流程中的邏輯，總結業務專家的決策經驗，形成可供大模型使用的規則體系。這些邏輯的載體，可能是一條簡單的“if-else”規則，也可能是一個執行優化器，甚至是一個專用的小模型。關鍵在于，通過本體將這些散落在專家頭腦或各系統中的業務規則進行收集、整理與結構化。
最上層是動作，旨在驅動業務閉環。傳統的數據分析往往是單向的，分析結果如何落地到業務系統中，通常需要人工介入并與其它系統對接。而通過本體的動作層，可以實現從分析到執行的全鏈路打通。例如右側所示“挽留異動客戶”這一運營商常見場景，系統可自動觸發工單生成與派發流程，完成閉環操作。
基于我們對于數智本體的理解，其核心價值可概括為以下三點，這也是我們在與眾多客戶交流中，被反復驗證和認可的。
首先是業務邏輯的可視化。這一點來源于一次真實的客戶反饋：當通過本體能夠將企業內分散的數千張數據表、上百條復雜業務邏輯，整合成一個清晰、統一的視圖并呈現出來時，客戶認為這本身就已具備極高價值。它相當于為企業構建了一個全局的“業務邏輯沙盤”。
第二點價值是決策過程可靠。可以設想，如果一位軍隊指揮官擁有了完整的戰場沙盤，他便能在此基礎上進行推演——在業務中同理。通過預設不同的決策輸入，我們可以在可視化的業務邏輯之上模擬各種情景，觀察不同決策可能帶來的結果，從而判斷哪條路徑更優、哪個決策投資回報率更高。這個過程類似“軍棋推演”，它讓決策從依賴經驗轉向可模擬、可驗證，使決策過程更加可靠。
第三點是直接對智能應用的價值，即智能執行的精準化。通過本體，我們為AI應用提供了約定清晰的業務語義，避免理解歧義；同時，將嚴謹的業務邏輯植入AI應用，明確哪些指令可執行、哪些不可執行，從而確保執行過程處于嚴格受控狀態。每一步操作均可觀測、可審計，進而保證最終執行的精準度。
02
基于在實踐中的積累，我們總結出一套包含六個步驟的本體落地方法論，下面將結合具體例子進行說明。
這套六步方法論可分為三個階段。
第一階段：需求摸排
這是項目啟動的關鍵起點。我們需要與客戶深入溝通，了解其當前的業務場景。通常，我們會優先選擇一個業務痛點明確、且能充分體現本體價值的場景作為概念驗證（POC）的切入點。在此過程中，需要清晰梳理現有的業務流程與核心痛點，并明確引入本體技術后，預期能帶來的價值。這一步為后續所有工作奠定了方向。
第二階段：本體的開發、建模與應用
這是方法論的核心，可進一步拆解為四個步驟。
本體設計：首先需要對場景對應的業務流程和數據資產進行盤點與梳理。在此基礎上，梳理出關鍵業務對象，并建立其向下的關聯，映射到底層業務數據，與向上的關聯，連接相關的業務邏輯與操作，從而完成整體本體架構的設計。
全局視圖：設計完成后，將形成一個全局可視化的業務視圖。正如之前的比喻，這相當于為指揮官提供了一張完整的“業務沙盤”，使其能夠一目了然地掌握企業或特定業務場景的全貌。
仿真推演（可選）：在決策過程中，可以基于已構建的本體進行路徑模擬與推演，分析不同決策可能導致的結果，從而輔助選擇最優路徑。此步驟雖非強制，但能顯著提升決策的科學性與可靠性。
應用開發：將本體應用于實際系統開發。當前最主流的方式是與智能體Agent聯動，推動AI落地；此外，也可用于開發傳統的BI系統、Workshop等。
第三階段：效果評估與迭代
這一步對于本體的長期成功至關重要，包含兩個層面：
效果驗證：在本體構建完成后，需要評估其是否達到了預期的目標。如何測量與評價其效果，是我們后續會深入展開的話題。
迭代優化：本體是對企業業務知識的抽象，它并非一成不變。隨著企業業務的發展，本體自身也需要通過“本體工程”進行持續的迭代與優化，以保持其適用性與活力。
下面，我們將結合一個具體的運營商案例展開說明，以便大家更直觀地理解前述方法論如何落地。
由于運營商業務并非每位專家都熟悉，先簡單介紹下案例背景。我們選取的是“客戶體驗管理”這一場景。以移動運營商為例，其擁有諸如“全球通”這樣的品牌，對于其中的高價值用戶（例如白金卡、鉆石卡客戶），他們的留存與滿意度對運營商至關重要。因此，運營商會定期評估這些用戶的滿意度，一旦發現滿意度下降，便會觸發客戶滿意度提升流程。此外，如果監測到高價值客戶有異動傾向（如計劃攜號轉網至電信），也會實時啟動客戶挽留流程。
當前運營商在客戶體驗管理中存在哪些問題呢？右側所列大致可歸納為四點。
第一，數據分散，缺乏全局視角。客戶體驗的影響因素多元，可能來自業務使用數據、客服辦理記錄、網絡側的通話質量、流量使用情況等多個源頭。這些數據分散在不同系統，缺乏統一的管理與整合，導致難以形成完整的業務視圖。
第二，問題識別與修復方案不精準。在與客戶交流中，我們常聽到這樣的反饋：系統初步判斷客戶不滿可能源于家庭區域通話質量，并將工單派至網絡部門。但經排查后，發現網絡并無問題，工單又被退回客服部門。這種“踢皮球”現象，根源在于問題識別與修復方案不夠準確，導致效率低下，問題得不到真正解決。
第三，響應實時性不足。當客戶因不滿而主動投訴時，往往需要在幾小時內迅速給出解決方案，才有可能成功挽留。這對數據的及時獲取與處理能力提出了很高要求，而現有流程往往難以支撐如此快速的響應。
第四，分析判斷與業務執行斷裂。從完成分析、生成判斷，到形成工單、流轉處理，直至最終外呼挽留客戶，整個流程并未打通。分析環節與執行環節之間存在斷點，導致決策難以迅速轉化為行動。
針對上述問題，我們引入了本體技術來優化這一流程。那么，本體具體能發揮什么作用呢？
上圖展示了我們之前描述的傳統流程：從客戶滿意度識別開始，需要整合網絡側、渠道側、客服側等多方數據，形成滿意度修復方案，例如提供優惠或修復網絡質量，再到生成工單并流轉至云網、客服、市場等部門，最終通過外呼、短信或上門等方式執行修復。整個過程鏈條長、環節復雜。
引入本體后，我們主要實現了四個方面的優化：
首先，完成業務數據的統一建模。通過對網絡、渠道、資費、客服等各側數據進行本體化建模，我們構建了業務全局視圖。當需要進行滿意度評估時，系統能夠實時、高效地獲取并整合所需數據，大幅提升了響應速度。
其次，提升分析模型的構建效率。基于本體整合后的高質量、結構化數據，滿意度分析模型可以直接獲取可靠的輸入，從而加速模型開發與迭代過程。
第三，通過仿真推演優化決策。針對以往工單在部門間“踢皮球”的問題，我們可以利用本體進行方案仿真。例如，當存在A、B、C三種修復方案時，系統可模擬不同方案的執行路徑與客戶可能反饋，從而優先選擇接受度最高的方案進行推送，這顯著提高了決策準確性與執行效率。
最后，通過智能工單打通執行閉環。本體支持生成智能工單，能夠自動關聯分析結果與執行動作，從而徹底打通從數據分析到業務執行的“最后一公里”，實現從識別、決策到行動的全鏈路貫通。
接下來，我們簡要說明具體的操作步驟。
第一步：梳理核心業務對象并建立數據映射
我們首先對業務流程進行梳理，識別出關鍵業務對象，例如客戶、事件、員工、工單、客戶滿意度等。隨后，將這些對象與底層數據表進行對應，建立一對一、一對多或多對多的映射關系，完成業務對象到數據層的建模。
第二步：整合既有業務規則與行動
我們將客戶側已有的業務規則（即“邏輯”）和行動方案進行整理，并納入本體平臺。例如渠道選擇規則、修復策略的仿真函數等，都會被整合進本體。
需要說明的是，在項目初期的概念驗證（POC）階段，如果僅僅收集和整合已有的知識，效果可能不夠明顯。因此，我們通常會結合業務專家訪談，主動引入一些新的規則或模型，以提升POC效果，這也是實踐中值得注意的一點。
如上圖所示，圍繞“客戶滿意度”這一核心，可以清晰地看到與其相關的關鍵業務對象、各對象的屬性、對象間的關聯關系，以及每個對象上可執行的業務動作與邏輯規則。
這一結構，本質上構成了我們所說的業務知識骨架。它的價值在于兩方面：對人而言，它提供了直觀、全局的業務視圖，使復雜邏輯一目了然；對 AI 而言，它則提供了可識別、可遵循的結構化指引，使系統能夠依據明確的業務邏輯進行識別、判斷與執行。
下一個步驟是“演本體”的示例，這個示例相對是比較簡單的，也是為了便于大家理解。在實際的生產環境中，此類推演過程通常會更為復雜。
以客戶滿意度修復為例，當系統識別出某位客戶屬于“低滿意度客戶”時，需要提供修復方案建議。可能的選項包括網絡側的優化調整，或是向客戶贈送流量包等不同策略。
具體選擇哪種方式更為合適？這時就需要借助本體的推演能力，系統會依據該客戶相關的數據，例如其所在小區或單位內，是否曾有其他客戶發生過類似的網絡投訴記錄，結合這些信息進行綜合判斷，從而推薦最優的修復方案。這一過程，正是本體基于結構化知識與規則進行模擬推演的具體體現。
再下一步是“用本體”， 下面的例子是將本體用于AI Agent平臺。
整個過程主要分為四個關鍵步驟：
第一步是大模型選型，根據業務場景與需求選擇合適的基座大模型。
第二步是本體標準化接入。我們將構建好的本體以標準化的格式（如TTL或RDF）描述出來，并將其提供給大模型。這能幫助模型準確理解我們預先定義好的業務對象、對象關系、邏輯規則以及可執行動作。
第三步是能力發布。我們將所有已梳理好的業務對象、邏輯規則以及可執行動作，封裝并以MCP Server 的形式發布，形成一個可供大模型實時查詢和調用的“能力庫”。
接下來，我們談一談本體驗證的問題。
在完成本體構建后，如何評估其是否真正見效？我們通常會引入一組“CQ問題”，即本體的能力驗證問題來進行衡量。
這里舉一個具體例子。例如我們提出這樣一個問題：“某客戶是否屬于低滿意度客戶？如果是，應提供什么解決方案？能否自動創建工單并派發給相應員工處理？”
通過對比應用本體前后的回答，可以明顯看出差異。應用本體的場景下，系統會嚴格遵循既定的業務邏輯進行推理，首先根據手機號獲取客戶及其訂購的核心產品，接著判斷該產品是否有投訴記錄、客戶滿意度是否偏低。若確認為低滿意度客戶，再進一步分析其投訴主要針對網絡側問題，還是套餐流量等問題，最終生成針對性解決方案。
整個推導過程不僅符合業務規則，而且每一步都有明確的依據與專業性。相比之下，傳統方式可能存在兩個問題：一是若提示詞設計不當，容易導致誤判；二是生成的建議往往只是“泛泛而談”，例如只會籠統建議“先檢查客戶服務記錄，再查看套餐使用情況，再排查網絡質量”，缺乏針對性的分析，實際指導價值有限。
除此以外，我們還會設計一些其他的 CQ 問題，比如說：“找最近一次的客戶投訴事件，并分析原因和滿意度的影響”。
再例如：“最近否有影響客戶滿意度的事件，如果有，幫我們找出原因”。
需要說明的是，上述例子僅作為示意。這里想重點強調：CQ問題是評估本體是否達到預期效果的關鍵依據。因此，我們通常會在項目初期，選定具體場景后，就與業務專家共同商定一套清晰的CQ問題及其判斷標準，以此作為后續驗證的統一尺度。
03
接下來，我將簡要介紹亞信科技的數智本體平臺。重點說下平臺的功能架構和其它一些我們正在落地的應用場景。
以下是平臺整體的功能架構圖，我們將快速概述各層次能力。
能力接入層：負責接入各類模型、數據采集能力以及第三方應用，是平臺與外部系統和數據對接的基礎。
本體管理層：核心功能層，完成業務對象、關系、邏輯與行動的創建與管理，并生成可視化的業務視圖。
本體工具層：旨在幫助客戶高效使用與開發本體應用，提供包括低代碼規則引擎配置、孿生仿真等系列工具。
服務開放層：以OSDK、API等方式支持傳統應用集成，以MCP Server、OAG等方式賦能AI應用。適配方式賦能新型智能應用。
需要特別強調的是右側的管控中心。通常管控模塊易被視作附屬功能，但在本體平臺中則不同。
版本管理至關重要：本體本身可類比于一種更豐富的“代碼”，它不僅涉及自身對象、邏輯的版本，還關聯數據版本及本體應用版本。因此，必須建立一套嚴格的版本管理機制，以確保線上應用運行與線下本體的持續演進能夠協同一致。
安全管控要求更高：由于本體同時服務于“人”與“智能體”，權限體系更為復雜。不同的用戶使用同一Agent，或同一用戶使用不同Agent，所需的操作權限都可能不同，因此對安全管控能力提出了更高要求。
第一類是智能營銷，例如政企營銷、營銷文案自動生成營銷文案自動生成、視頻內容價值評估等。
第二類是客戶服務，除了前面詳細介紹的客戶體驗管理，還包括面向個人用戶的賬單查詢助手等。
第三類是網絡運維，例如核心網長鏈條故障的定位與診斷，以及在資源分配中如何既能滿足客戶需求，又能實現最經濟、最合理的調度方案。
接下來，我們將通過三個具體例子，對上述場景做進一步展開說明。
第一個案例：政企營銷場景。
以運營商推廣“全光網絡”產品為例，這類似于家庭寬帶的升級營銷。集團公司會下達營銷指標，各省市公司承接KPI后，針對新產品營銷，通常做法是，首先邀請營銷專家或領域專家，分析哪些客戶適合推廣該產品。例如，專家可能認為，已訂購寬帶、且近半年內對帶寬有投訴或需求的用戶，是潛在目標人群。
依據專家建議，數據建模人員會進行數據挖掘與建模，最終從海量客戶中篩選出優先推廣的種子用戶（如從10萬客戶中精選1000位），并生成相應營銷話術進行營銷。
這一傳統流程存在兩個核心痛點：
第一，業務專家資源稀缺，且意見可能不一致。找到合適的專家本身耗時，且不同專家的判斷可能存在差異。根據專家意見完成建模并應用后，若效果不佳，則需要重新調整模型，整個周期往往長達數月，嚴重影響了運營效率。
第二，生成的營銷話術不被一線客戶經理認可。基于模板和客戶畫像生成的推薦話術，常被認為缺乏針對性，導致客戶經理采納率低，難以實際使用。
針對這些問題，引入本體技術可從兩方面優化：
首先，通過本體統一業務邏輯、貫通數據，顯著提升建模效率與一致性，縮短從分析到落地的周期。
其次，依托本體承載的業務知識與規則，能夠生成更精準、個性化的營銷話術，從而提高客戶經理的采納意愿與最終的營銷轉化率。
第二個案例：視頻價值評估的應用案例。
為此，我們引入了本體技術，將各位專家的評估維度整合起來，構建成如圖左下角所示的本體圖譜。該圖譜系統納入了專家們關注的各項指標，例如影片的導演及其行業口碑、獲獎情況；主要演員及其粉絲基礎帶來的商業價值等。在與業務專家協作下，我們對這些指標進行了全面梳理，隨后通過本體進行建模，實現指標的分層、分級與貫通。
需要強調的是，在完成指標體系的梳理與建模后，我們還會與客戶共同依據新的評估框架，補充采購或獲取新增數據，從而進一步提升評估的準確性與價值。
第三個案例：核心網故障定位場景。
對于一些通用性較強的故障，例如操作系統磁盤空間不足，若交給大模型處理，它往往能提供清晰的排查思路：先確定是哪個磁盤已滿，再定位該磁盤中占用空間最大的文件，最終生成相應的解決方案。這類問題的專業門檻相對較低。
舉例來說，面對三個關聯網元，按照A-B-C的順序排查，還是C-B-A的順序，最終所需的定位時間可能相差數倍。對于關鍵業務的保障而言，這種效率差異至關重要。
正是為了解決這類問題，我們引入了本體技術。一方面，它通過結構化的方式整合專家知識與協議規范，顯著提高了故障定位的準確性；另一方面，它優化了排查路徑，能夠大大縮短整體定位時長。這便是數智本體在網絡運維與故障定位場景中的價值所在。
以上是本次分享的全部內容，如需獲取專家完整版視頻實錄和課件可掃碼領取。
?
