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