KeyFrame內部研究專用

Thinner Agents on a Smarter Substrate: The Ontology-based Semantic Layer — Emil Eifrem, Neo4j

AI Engineer11 min英文
觀看原始影片

三句話摘要

企業 AI 代理無法規模化部署的根本原因及其解決方案——透過本體論層建立共享的智能基礎設施。 從手動尋找和連接數據源的「厚重代理」轉變為依賴共享本體層的「瘦代理」,是企業規模 AI 部署的必經之路。 企業代理面臨的規模化瓶頸 — 大型組織有數百個數據庫、Snowflake、Databricks、S3 等多個系統,每支代理都要從零開始尋找和驗證正確的數據源,不僅浪費時間,還會因為信息散落在代碼和提示詞中而導致任何變更都必須手動更新所有代理。

重點整理

  1. 企業代理面臨的規模化瓶頸 — 大型組織有數百個數據庫、Snowflake、Databricks、S3 等多個系統,每支代理都要從零開始尋找和驗證正確的數據源,不僅浪費時間,還會因為信息散落在代碼和提示詞中而導致任何變更都必須手動更新所有代理。

  2. 三柱本體論架構的核心 — 商業本體論用組織內所有人都理解的語言描述關鍵概念(如客戶、賬戶、交易),技術本體論記錄所有數據資產的元數據位置,兩者間的映射將業務意圖連結到具體系統,執行痕跡則記錄每次運行的成功度。

  3. 一次構建、多次利用 — 當數據源變更時,更新本體層映射後自動影響所有代理;執行痕跡的積累讓代理和跨代理學習變得可能,明天的代理會比今天更聰明。

  4. 從手動轉向自動治理 — 相較於馬克下檔案或代碼層級的方案,語義層提供人工驗證和執行結果雙重驗證,既保證數據可信度,又能自動發現最有效的數據源組合。

實用技巧與重點

  • 案例場景:銀行開戶自動化代理需要驗證身份,涉及數據源:DMV 登記、護照驗證服務
  • 典型企業規模:14 個 Oracle 數據庫、15 個 Neo4j 數據庫、Snowflake、Databricks、S3 存儲
  • 三柱架構:
  • 商業本體論(Business-facing Ontology)
  • 技術本體論(Technical Ontology)
  • 執行痕跡(Runtime Signals / Execution Traces)
  • 馬克下文檔的限制:Suix(Latent Space 播客)指出無法只用馬克下做代碼,必須學習數據庫
  • 應用組織案例:Fortune 20 全球銀行、灣區大型科技平台公司、領先金融科技公司
  • Neo4j 創業計畫:免費額度、專職解決工程師團隊協助建模和性能調優
  • 會議軌道:Graph Track 房間 2005,參展方包括 Gates Foundation、Monday.com、JPMorgan Chase、Berkeley、紐約時報

結論

從手動尋找和連接數據源的「厚重代理」轉變為依賴共享本體層的「瘦代理」,是企業規模 AI 部署的必經之路。

完整解析

AI 代理要在企業規模內成功運作,關鍵並不只是代理的業務邏輯本身,而是它能否精準地找到和使用正確的數據。Neo4j 最近與多家大型機構合作時發現,當組織試圖並行開發多個代理時,一個看似微小的問題變得極其複雜:每支代理都要從零開始識別自己需要的數據在哪裡。在初創企業中這不是問題——一個 Postgres 數據庫就夠了。但在企業環境中,你面對的是一百個數據庫、Snowflake、Databricks、S3 和數不清的其他系統。更糟的是,這些系統間存在大量數據重複,你必須手動判斷哪個版本是可信的,哪個你有權訪問。

隨著越來越多團隊構建代理,這套重複工作變成了維護災難。一旦某個數據源改變,所有依賴它的代理都要手動重新配置。所有這些連接邏輯散落在代碼和提示詞中,無法被下一個團隊學習或重用。更重要的是,沒有機制讓代理記住「昨天這個數據源成功了」並在今天優先使用它。很多人試圖用馬克下檔案來解決這個問題,但正如播客 Latent Space 中的 Suix 所指出的,光有檔案是不夠的——你必須真正理解你的數據庫。

解決方案是建立一個三層架構。第一層是商業本體論,用全公司都能理解的語言描述核心概念:客戶有姓名,有賬戶,有信用記錄。不是 `if_name`,而是「客戶」和「名字」。第二層是技術本體論,記錄所有數據資產的實際位置和結構——哪些 Oracle 數據庫、哪些 Neo4j 圖數據庫、Snowflake 裡的哪些表。第三層是執行痕跡,記錄代理每次運行時做了什麼、選擇了哪個數據源、結果如何。

這三層結合起來,魔法就發生了。當銀行開戶代理需要驗證身份時,它不是盲目地去尋找,而是查詢本體層:「合規檢查需要政府簽發的身份證明。在我們的系統中,DMV 記錄和護照驗證服務都能提供這個。」代理試用兩個來源,執行痕跡記錄了誰更成功。下次它會優先選擇那個。最重要的是,當有新的數據源加入或改變時,只需更新本體層的映射,所有代理自動獲得這個改進。

11 min
AI 安全中文11月21日

防蒸餾的三道防線:OpenAI 怎麼保護 AI 的思考過程

一隻羊聊AI看原片 ↗
  • 思考過程是最值得保護的資產:完整的思維鏈(Chain-of-Thought)包含最終答案中沒有的中間步驟,蒸餾來的模型若學到完整思考過程,會多掌握超出預期的能力,包括原本應被防護的攻擊技巧。實驗顯示,學完整思考的學生在資安測驗中表現顯著優於
  • 三層防護結構應對單次請求與持續威脅:模型透過對抗訓練自我拒絕套話,分類器檢查請求意圖與回應內容(包括工具參數),API 層將思考過程與對話綁定,防止跨對話搬運。九月報告曾揭示的加密思考搬運攻擊已被修補。
10 min
AI 安全中文11月13日

The New AI Security Nightmare: Undetectable LLM Backdoors

Internet of Bugs看原片 ↗
  • LLM 可被訓練成在表面上表現正常,卻在特定條件(如在程式碼註釋中看到某個特定字串)觸發時執行訓練者指定的惡意行為,例如上傳環境變數檔案到遠端伺服器。這種後門是不可偵測的,研究者找不到檢測方法,且即使進行後續重新訓練也無法消除。
  • 任何參與模型創建或分發的人員都可能植入這類後門,不論模型是由知名 AI 廠商託管在雲端、還是自行部署。只要組織內有不可信任的人員,就無法完全排除這個風險。
22 min
AI 技術中文10月27日

Switch 2 宣告失守! AI 黑客 14 日暴力破解,唔使拆機、唔使焊晶片!任天堂今次真係驚咗?

大世界看原片 ↗
  • 漏洞來源出人意料:攻擊源於 iTunes 上售價約 25 美元的編程教學軟體 Small Basic。黑客利用其解釋器中的 32 位整數溢位漏洞穿過沙盒限制,再透過 ROP 鏈和緩衝區溢位層層深入,最終取得檔案系統完整權限。這套設計精妙的攻
  • AI 徹底改變破解生態:研究員 Pepsi Poo 坦承,破解工作大部分由 OpenAI 的 Codex AI 編碼代理執行。他搭建自動化測試裝置讓 AI 24 小時不間斷地觸發漏洞並自動重啟,兩週內完成原本需耗時數年的工程。這不是 AI