Why Agentic Systems Need Ontologies — Frank Coyle, UC Berkeley
三句話摘要
利用本體論（Ontology）為 AI 智能體（Agent）設置約束與護欄，實現安全的神經符號人工智慧系統。 本體論與 Agent 結合是實現可信 AI 的核心，透過形式化約束與推理將 LLM 的創造力與符號 AI 的嚴謹性統一。 Agent 循環是現代 AI 實現的基礎，透過 while true 迴圈不斷調用 LLM、檢查停止原因、執行工具、驗證結果，但迴圈會增加代幣成本與失控風險。
重點整理
重點- 1
Agent 循環是現代 AI 實現的基礎，透過 while true 迴圈不斷調用 LLM、檢查停止原因、執行工具、驗證結果，但迴圈會增加代幣成本與失控風險。
- 2
本體論不是新概念，而是將實體、屬性和關係形式化表示的知識結構，圖資料庫相比關係資料庫的優勢在於能靈活新增屬性與關係，無需重構整體架構。
- 3
神經符號 AI 是主要趨勢，結合 LLM 的創造力與本體論的嚴謹性，用 RDFS 的域/值域推理與 OWL 的功能特性來約束 LLM 的輸出，防止幻覺。
- 4
建構本體有兩條路徑：自上而下由領域專家設計，或自下而上從實際應用提取，應利用既有標準（schema.org、FOAF、Dublin Core）避免重複工作。
實用技巧與重點
乾貨- 歷史與人物
- AI 術語誕生：1956 年
- 本體論關鍵人物：亞里士多德、馮·奎因（Von Quine）、格魯伯（1993 年正式化）
- 專家系統時期：80 年代日本未來世界計劃大投資，後因無法擴展而進入 AI 寒冬
- 技術與標準
- 本體論相關技術：RDFS（RDF Schema）、OWL（Web Ontology Language）
- 現有本體標準：
- schema.org（完整術語與關係集合）
- FOAF（朋友的朋友，用於社交網路模型）
- Dublin Core（描述研究論文、書籍等）
- DBpedia（維基百科基礎）
- 驗證工具：Pydantic（輸入參數型別驗證）
- OWL 推理能力
- 傳遞性屬性（Transitive Property）：祖先關係可向下推導
- 功能屬性（Functional Property）：單一性限制（如只有一個父親）
- 互不相交屬性（Disjoint Property）：實體類別分離
- 本體論可偵測的錯誤
- 同一訂單第二次退款
- 款項發送到客服部門而非買家
- 虛構數值（如已出貨但無記錄）
- 狀態值超出預期範圍（只允許：已付款、已發貨、已退款）
- 聯絡資訊
- Email：coil@berkly.edu
- 網站：codesupreme.ai
結論
結論“本體論與 Agent 結合是實現可信 AI 的核心，透過形式化約束與推理將 LLM 的創造力與符號 AI 的嚴謹性統一。”
完整解析
詳細弗蘭克·科伊爾是柏克萊大學教授，從事電腦科學教育超過 30 年。他首先強調教育理念的核心：動手實踐勝於被動學習，手寫筆記比鍵盤輸入更能激活整個大腦與感官系統，因而加快學習速度。
講座核心探討 Agent 與 Ontology 的結合。Agent 的概念源於 1956 年 AI 誕生之初，由約翰·麥卡錫等先驅提出，能夠感知環境、做出決策並採取行動。本體論則源自亞里士多德的存在哲學，現代形式為圖資料庫與知識表示。傳統關係型資料庫面臨結構固定的瓶頸——新增屬性需要重構整個表格；圖資料庫只需附加屬性或關係，這正是本體論的實務優勢。
當代 AI 領域出現「神經符號 AI」的融合趨勢。LLM 本質上是概率性的，容易產生幻覺，但這恰好是神經網路的特性——能想像不存在的事物，然後創造它們。科伊爾主張本體論可作為 LLM 的防護措施，透過形式化約束與推理能力來指導 Agent 行為。在實現上，Agent 循環採用 while true 迴圈，不斷重複：呼叫 LLM、檢查停止原因、執行工具、驗證結果。輸入端用 Pydantic 驗證參數型別，輸出端用本體論驗證結果合理性。
建構本體有兩條路徑：自上而下由領域專家集中設計實體與關係（類似 80 年代專家系統），或自下而上從客戶互動等實務提取。無需重新發明輪子，可直接利用 schema.org、FOAF、Dublin Core 等既有標準。RDFS 與 OWL 提供強大推理能力：傳遞性屬性能推導隱含關係（如「蘇是瑪麗的祖先，瑪麗是安的祖先，則蘇是安的祖先」），功能屬性限制單一性（如「只有一個父親」），互不相交屬性區分實體類別（如客戶與支援代表不能混淆）。這些推理能捕捉純文字邏輯無法發現的錯誤——例如同一訂單被重複退款、款項發送到錯誤部門、或狀態值超出預期範圍。
科伊爾強調關鍵在於用多層檢查機制約束 Agent，建立基於本體的推理器保持 LLM 的誠實性。這種方法既解決了 LLM 的概率性缺陷，又重新引入符號 AI 的嚴謹性，代表 AI 發展的一次重要回歸與融合。
關鍵時刻
Pipeline v2帶時間戳的重點，會在逐字稿層級分析上線後產生。目前請先透過原始影片觀看。
事實查核
Pipeline v2說法查證是下一次管線升級的一部分。KeyFrame 只會顯示它真正能驗證的內容。
