大模型已装下大量世界知识，企业还有必要建本体吗？一场由DataFun主办、讨论本体落地的论坛给出的判断是：知识工程没有消失，变化的是表达方式和工作重心。过去强调严格的符号化表达；今天只要模型能理解，一句话、一段代码都可以成为知识载体。
公开知识不必重造，私域盲区才是重点
大模型确实替代了一部分知识图谱功能，尤其是网络上已有的世界知识和学科知识。企业若再花大量成本重复构建，价值有限，甚至可能用质量更差的外部知识干扰模型。真正需要补的是模型无法从公开语料学到的私域知识：企业内部的工艺、数据、规则、岗位经验和业务语义。论坛举了一个例子：飞机制造企业的核心知识本就不应公开；如果通用模型已经学到，反而可能意味着泄密。企业级AI落地的“最后一公里”，往往就是识别并补齐这些知识盲区。
从岗位智能体自下而上长成本体
多数企业不宜一开始就让少数专家设计一个大而全的企业级本体。自上而下成本高、周期长，还带有强烈主观性：同一个业务，不同专家可能有不同抽象；大型企业跨部门、跨业务，甚至很难找到一个人能把全局说清楚。
更现实的路径是自下而上：先围绕具体岗位和技能上线边界可控的智能体，给它们配置必要的Skill、岗位知识和数据；再把多个岗位智能体的概念、数据和经验对齐，汇聚成部门级本体；继续向上融合，最终形成企业级乃至行业级知识体系。论坛以维基百科作类比：它由大量参与者分布式编辑、修正、融合而长成；企业本体也像“边用、边修、边建”。
但国家安全、情报、银行风控等不能承受小概率遗漏的场景，仍可能需要战略级、自上而下的建设。
AI FDE：先做出能讨论的原型
企业对本体建设最直接的顾虑是成本。实践方提出，应让AI接管FDE中的重复环节，把调研、文档分析、本体发现和数据探查改成并行流程：先导入文档、历史工单和业务数据，快速生成一个不完美但可讨论的原型，让客户先看见“本体是什么”，再逐步校准。有产品把本体分为七层：实体、事件、关系、逻辑、动作、应用和角色。
AI降低了门槛，但企业必须先定义“什么叫好”。没有评价标准，生成再多概念也无法判断是否该进入本体；规模化构建还有token和时间成本，标准化任务可交给更小的模型。
本体与Agent Harness是互补，不是替代
论坛把企业级智能体拆成两个互补部分：本体说明“企业的真实世界如何运行”，Agent Harness负责“智能体如何在这个世界里安全、受控地执行”。Harness包括运行环境、安全机制、上下文与记忆管理、工具调用、任务约束，以及异常时的人工升级。本体对Agent的支撑可分四层：事实层定义产品、设备、工序等核心业务对象；逻辑层把专家经验抽象成可靠、可检查的业务规则；推理层为长程任务规划路径；证据与反馈层保留正反证据、归因和执行记录。
通用编码Agent的Harness可以参考，但不能原样搬到工业环境。企业已有数仓、知识库和权限体系，还有大量非公开的know-how，必须重新整合。
本体不是一次性交付
企业环境、业务和数据持续变化，智能系统却往往无法及时响应，一个重要原因是知识没有更新。难点不只是“怎么改”，还包括如何感知变化、何时触发、更新哪些对象、如何验证。可行做法有三类：从业务结果反推知识是否失效；由专家为头部场景编写更新规则，提供基线；训练模型或智能体感知变化并提出更新建议，同时用环境与人的反馈优化任务级Skill。
这些方法没有彻底解决：知识更新频率不同，专家意见也可能相反，企业还要决定按单反馈还是汇总更新。本体更新最终上升为知识治理：既要管理人的知识，也要管理本体和智能体沉淀的隐性经验。
该沉淀的是能力，不是某家企业的知识
本体加大模型并非万能。它更擅长有明确依赖的长链条推理，如良率分析、故障归因；对知识尚未明确提炼的预测性维护，或AOI检测，本体可能只能辅助。企业应选边界可控的“小切口”，快速见效后再扩展；第一个场景统一的数据、API、对象和语义，会成为后续基础。
长期看，最值得沉淀的不是某家企业的具体知识，而是构建、校准、管理和应用私域知识的能力。提供方更应把项目经验固化到工具、平台和建模方法中。
后训练也不会取代本体。进入神经网络的知识会变成概率生成过程，只要输出不能保证100%正确，符号规则和确定性脚本就仍有价值，尤其在政府、央国企、金融等对责任要求极高的场景。企业应把大模型用于规划与开放生成，把确定性判断交给规则。否则无节制堆叠模型与智能体，将来要偿还“智能体债务”：哪个结论可信、哪句话来自哪个数据源，都难以回答。
实施顺序可概括为：找私域盲区、选小切口、快速打样、分层设计、建立知识治理，最后复用能力而非复制知识。
资料来源：从“补知识”到“沉淀能力”：大模型时代的企业本体工程 — 阿里云开发者社区（2026-08-28）。本文为技术要点整理，非原文全文。