企业 AI 用不好 AI 根源不是模型不够强，而是企业知识缺结构、缺约束，AI 需要可靠可信地迭代。本次演讲以「从约束到进化」为主线，讲清 如何利用 Ontology 技术补上这一环。

全篇分四部分：先「重新认识 Ontology」，讲清它是什么、为何在大模型时代回归，如何利用它增强模型的可信与推理能力；再讲「Ontology 的角色与企业知识进化」，说明它如何统一语义、约束推理，让企业知识在专家与一线之间持续流转、越用越强；进而展开「基于本体的 Harness → Loop → Evolve 技术迭代」，展示 AI 如何从收束复杂、闭环执行，走向自我进化；最后以「企业落地案例与分析」，结合制造、能源、轨道交通等真实场景，给出可复用的落地路径。

演讲提纲

1. AI 时代下重新认识 Ontology
2. Ontology 与企业知识进化
3. Ontology-Enhanced Agentic AI 与 RSI 的技术路线探索
4. 企业案例与实践

听众收益

• 认知升级——掌握「连接主义 + 符号主义」这套判断框架
• 方法落地— 落地路径，回去就能动手；、
• 案例信心——通过真实成效，明确自己企业如果想做基于Ontology的AI建设该从哪里起步、大致能带来多少回报

企业需求从产品、设计流转到研发，常常需要反复确认交互细节和业务规则。设计稿能表达页面样式，却未必能完整说明这些要求；已有的规范、组件和模板，也不容易被准确找到和使用。Agent 参与设计后，同样需要理解这些业务知识，才能生成符合要求的结果。

本次分享将结合淘天 TaoDesign 的实践，讨论设计 Agent 的产品与架构选择、业务知识的组织和使用，以及设计资产与修复经验的蒸馏方法。重点介绍如何让 Agent 在生成和修改时用对规范与模板，如何将任务中的修复经验整理为后续可用的知识，以及如何通过人工复核和回归评测判断这些改进是否有效。

演讲提纲

1. 企业需求交付的挑战：设计环节为何反复澄清与返工
   • 需求尚未想清楚就开始做稿、已有设计资产难以复用、交互逻辑在交接时遗漏，都可能让问题拖到研发阶段才被发现。讨论这些问题在设计环节的具体表现，以及如何借助可交互设计稿、业务规范和结构化标注，更早确认需求，传递设计知识
2. TaoDesign：面向设计领域的产品与 Agent 设计
   • 围绕设计师和产品人员生成、修改及交付设计稿的工作过程，介绍 TaoDesign 的产品设计与端—云—沙箱架构。重点讨论哪些操作适合直接修改源码，哪些需要 Agent 处理，以及业务知识如何参与生成、编辑和研发交接
3. 知识组织与使用：让 Agent 用对规范、模板和素材
   • 设计规范、组件、模板和素材如何组织，Agent 才能找到适合当前任务的内容？结合资源检索、知识摘要和按需读取的实现，介绍如何精简输入，同时保留必须遵守的规则；通过风格约束和模板复用，减少选错资源、漏读规范和重复生成的问题
4. 资产与经验蒸馏：将存量材料和执行经验转化为知识
   • 结合两类材料介绍知识蒸馏的做法：一类是已有设计稿、规范和业务文档，用于整理风格、模板与使用规则；另一类是生成和修复记录，用于总结问题原因、修改方法及适用条件。讨论如何蒸馏总结多个案例并形成通用规则
5. 评测驱动的自进化：用任务反馈改进知识
   • 介绍 TaoDesign 如何收集真实任务中的问题，通过评测分析原因，将有效修复经验经人工复核后更新到知识库，供后续任务使用。再通过版本回归检查原问题是否解决、其他场景是否受到影响，让知识更新有依据，改进效果可验证

听众收益

• 了解设计 Agent 的产品与架构选择，以及业务知识如何参与设计和交付
• 学习设计规范、模板与素材的组织和检索方法，以及从设计材料、修复记录中提取可复用知识的做法
• 了解如何结合任务反馈、人工复核和回归评测更新知识，判断改进是否有效、是否影响其他场景

工业OT场景具备高实时性、高可靠性、强物理约束、低容错率的核心特性，通用大模型天然存在的内容幻觉、逻辑不可控、执行失控等问题，成为其规模化落地工业现场的核心技术壁垒。通用大模型的概率生成特性，无法适配工业设备运行、工况调度、故障处置等场景的物理规律与安全底线，极易出现认知偏差、决策失准、执行越界等风险，导致大模型技术长期难以深度落地工业核心生产场景。

本次技术分享聚焦工业OT侧大模型落地的核心技术难题，深度拆解中能拾贝CyberwIIOS工业智能操作系统的底层技术破局逻辑，核心通过三套自研闭环技术机制，解决大模型“幻觉干扰、执行失控、协同低效”三大行业痛点，实现大模型通用能力与工业OT场景确定性需求的深度适配，让大模型的泛化能力、认知能力可落地、可管控、可量产。本次分享核心拆解三大底层技术机制，全程聚焦技术原理与落地逻辑：一是“治幻觉”，通过工业模型多级水合与知识锚定，将概率生成收敛为符合物理规律的确定性认知；二是“防失控”，依托安全护栏与数字孪生沙箱预演，构筑刚性的受控执行底线；三是“强协同”，利用智能编排引擎实现多智能体高效编排。IIOS以系统级底座护航，将大模型的“聪明”安全转化为工业现场的“确定性”生产力。

演讲提纲

1. 【痛点剖析】解析OT场景物理约束与通用大模型概率生成的“技术断裂带”
   • 提出核心命题：大模型的“聪明”必须被系统级架构所“收敛”，否则无法跨越OT侧的容错红线
2. 【治幻觉】详解 CyberwIIOS 的工业模型引擎（IME）
   • 分享如何通过本体映射与多模态多级水合技术，将物理机理与专家规则深度注入大模型，将大模型的发散性输出，硬性收敛至符合物理定律与工业规范的安全区间内。
3. 【防失控】解读工业逻辑与安全引擎（ILS）的拦截机制
   • 阐述智能体指令如何通过逻辑锁、物理盾、时空锚等维度，执行 T1-T3 极速合规校验
4. 【强协同】介绍 CyberwIIOS 的智能编排引擎（COE）
   • 分享如何通过意图治理、任务治理、资源治理，解决工业现场数百个Agent在并发任务下的依赖冲突、死循环与资源死锁，实现高效、无冲突的群体智能
5. 【架构升维】介绍工业大模型走向规模化量产的工程范式
   • 输出一套将大模型从“Demo原型”转化为“工业级生产组件”，实现高可靠、高安全、可复制的全流程落地体系

听众收益

• 升维认知：深刻理解大模型在OT侧落地时，所面临的物理约束与概率生成之间的底层矛盾与系统性风险
• 架构视野：掌握“模型水合收敛幻觉”、“沙箱护栏拦截失控”、“编排引擎治理冲突”的系统级AI原生架构设计范式
• 硬核参考：获取大模型从“技术原型”迈向“工业核心生产线”，实现高可靠、高安全、规模化复制的工程实践指南与实战经验

企业接入 Agent 后，最常见的问题不是模型答不出来，而是：找不到对的资料，找不全该遵守的规则，分不清哪些能看、哪些能做。文档、代码、Wiki、指标和经验散落在不同系统里。向量检索只能捞回相似片段，Agent 拿不到业务概念、约束和行动边界。

本次分享字节开源的 40k+ 星上下文数据库 OpenViking，讲从企业资料到 Agent 可用上下文的完整链路：

• 用 viking:// 目录树，给知识、记忆、技能、规则和实时数据一个统一地址

• 用 L0/L1/L2 分层和目录递归检索，替代平铺切片

• 用上下文编译，把原始资料持续加工成业务知识

• 把规则作为独立的上下文类型，保证该遵守的一条不漏

• 用目录级 ACL 在检索阶段完成授权隔离

• 用长期记忆和 Handoff，让经验跨会话、跨人、跨 Agent 沉淀

分享会结合财经业务知识库、推荐团队、Issue Fix Bot 等真实场景，给出数据和踩坑经验。

演讲提纲

1. 为什么 Agent 用不好企业知识：缺的是上下文，不是模型
2. Context Database：给企业知识一个 Agent 能读的统一地址
3. 从资料到知识：分层理解、上下文编译与规则约束
4. 让知识可授权、可实时、可持续进化
5. 落地案例与路径：从一个场景的一棵目录树开始

听众收益

• 判断框架：分清 RAG、知识图谱、记忆、上下文工程各自解决什么问题，知道自己企业缺的是哪一层
• 方法落地：一条"接入 → 理解 → 编译 → 规则 → 授权 → 记忆"的路径，回去可以从一个场景开始搭
• 开源工具：OpenViking 开源版可以直接试用，且支持一件启动的云服务和可试用的企业私有化版本

企业差旅 Agent 的难点不只是检索文档，而是同时理解员工偏好、企业差标、审批条件与实时可订资源。本演讲以携程商旅AgentONE 架构探索为例，介绍如何将业务对象与关系、文档检索和实时工具组合为可执行上下文，使用知识图谱 按城市召回偏好，以共享State融合上下文信息，并由系统注入企业身份，支持多路受控路由，偏好通过单次聚合图查询获取资源，结合交通衔接规则校验，错误触发候选池复用与定向重试。分享从知识问答走向有依据、受约束的差旅推荐的实现路径，以及模拟原型与业务集成之间的工程鸿沟。

演讲提纲

1. 为什么“检索正确”仍然不等于“理解企业”？
   • 以差旅出行为贯穿案例，拆解四类信息：文档知识、业务关系、实时事实、当前任务约束
   • 提出核心方法：文档用于解释，图谱表达关系，工具获取实时事实，代码校验业务约束。
2. 先建业务语义契约，而不是先建一张“大而全”的知识图谱
   • 从具体任务反推最小业务对象和关系
   • 区分“偏好”和“许可”
   • 差旅场景下的语义构建细节
   • 选型边界：领域对象与接口契约如何承担业务语义表达
3. 偏好图谱如何做到“召回相关”，而不是“召回更多”
4. Context Engineering：把“这次想要什么”与“长期喜欢什么”分开
5. 从合理的方案到有真实依据的方案
6. 如何验收“理解企业”：证据、指标与落地边界

听众收益

• 获得可迁移的企业知识分层与选型方法，能判断哪些知识适合文档检索，哪些关系应进入图谱，哪些事实必须实时查询，哪些约束应由业务服务和代码执行，避免用单一 RAG 方案包办所有问题
• 掌握任务驱动的上下文与记忆工程细节，建立从生成结果到业务验收的工程路径。 学会用真实候选池、资源编号和业务规则验证输出，并利用错误证据驱动定向修复；同时明确模拟原型、接口集成与生产成效之间的证据差距