本体OntoL产品设计的七大体系及意义

大家肯定好奇，OntoL本体产品都有哪些体系以及意义？？

 今天一次性说清楚。一：本体规范的问题：    首先本体产品应该有基础的本体类型，例如，实体，场景，角色，行为，约束，质量，实体。这种基础的本体类型    然后让大模型根据文档去拆解本体类型的时候，需要根据这些本体类型去拆解规范。    例如，实体 → 场景 → 角色 → 约束 → 质量 → 行为 → 实体 等等规范的本体推导出来思维链路，也就是 一个东西（实体本体），在什么情况下（场景本体），由谁（角色本体），在哪些约束条件下（约束本体），应该有什么质量校验（质量约束），触发了什么行为（行为本体），对谁作用了（作用到谁了），然后每一个本体里面， 都应该有节点前的行为，校验通过后的节点后的行为，传播影响力什么的。

 

二：是数据全生命周期管理的体系：    一个数据从LLM大模型自动生成的时候， 数据应该是待推理的状态，其实就是还没通过推理验证的状态，也就是得专家审核通过，或者推理效果还可以的情况下，才可以更新迭代真实的数据，作为正式数据推理，所以这个叫全数据生命周期管理，一个数据从待验证，已验证，到已删除，是一个整个数据生命周期的管理的产品，这才才能做到全自动的一个数据管理的一个范式，而且数据新增修改删除都是可以通过日志去查看的，做到了全链路跟踪，旧/脏数据回滚等。

 

 三：大模型和推理机交互的范式体系：    常规的问题，本体论的图数据库或者RDF文件，常规的文档，不带计算的，类似于不用推理的，大模型自己查就可以了，例如猴子是不是属于猿类，正常这种数据应该是，动物 → 猿类 → 猴子  都是继承关系，那么这种问题其实是不用找推理机的，大模型自己就可以查询到，但是如果是猴子是不是饿了，那么就需要知道猴子的饥饿值，然后看猴子爱吃行为，进行排序，最后判断猴子吃什么，才需要推理机进行推理，返回给大模型，由大模型进行解答。

 

 

四：DSL语言体系范式：    因为市面上通用的本体推理语言，一般都是适配的文件或者开源的推理机，所以从性能上和推理能力上，都是不一定完全适配自己的情况的，所以购买本体产品和自研推理机，是一个很好选择，那么OntoL为什么要在这么多开源的推理机的基础上还自研推理机和DSL定制语言呢？因为OntoL的推理语言是可扩展的，也就自己可以添加推理语言，语法是支持词扩展的，当然也可以对接外部接口函数。推理机自研也可以自动添加推理机的其他情况的场景，例如本体节点的事务性，时序性，随时是可以增加和减少的。

 

 

五：推理机体系范式：    刚才也说了，本体论核心是推理机，也就是当本体节点根据DSL规范，和本体的字段规范写入对应的DSL语言之后，那么推理机就会根据公里推理和规则推理，自动的进行推理了，这样思维链，传播链，就可以按照规则进行传播了。

 

 

六：功能设计体系：    作为一个可以升级迭代的数据类产品，那么数据类的功能规划是应该必须的，至少包含了，数据管道，AI对话推理（包括了对外提供AI对话接口），可配置的语义标准功能，业务标准语义，根据不同场景展示不同语义，对话调整数据，自动生成本体，配置模型等基础功能，以及将来的可升级迭代的功能规划。

 

 

 七：架构体系    本体产品作为一个，需要将来去处理大量并发的一个产品（至少是亿级以上的可操作产品），那么图数据库就采用了内存图数据库memgraph，并且应用和数据库都是支持可扩展的，这样就方便打击将来的数据是可持续迭代的。

 

 

八：产品意义    现在大模型最大问题是    1：大模型幻觉不可控制，大模型用的都是通用的知识库，在不同背景下，输出的知识都是不可控的，每次输出的结论都不一样，固定不下来。    2：推理链路不可追溯，大模型都是根据RAG或者静态图，去自主推理的，不可控，但是本体产品是能做到推理可追溯的，数据升级也可追溯的。    3：知识不可沉淀，传统的RAG知识库，都是向量化的，推理链路没有沉淀，不可作出行业经验和行业标准，本体论产品是可持续数据标准，行业标准和思维标准的，类似palantir的那种市值绝大的知识体系。