OceanBase DataPilot AIP：Ontology 承载 AI 能力面的另一條路

• URL: https://mp.weixin.qq.com/s/3xi7_YljtNBKx9R3HkehoQ
• Date Saved: 2026-08-13
• Source: WeChat (OceanBase 公眾號)
• Tags: ai-engineering, business

Summary

OceanBase DataPilot 借鑑 Palantir AIP 的 Ontology 思想，但走了一條「自下而上」的不同路徑來建構企業級 AI 能力面。

核心問題

Agent 面對的業務問題越來越複雜（不只是單次查詢，而是完整業務流程），出現兩種失敗模式：

1. Agent 每次從零開始，同一問題三次三種答案 → 用戶無法信任
2. 每個問題做成預定義模板 → 模板做不完，維護成本拖垮團隊

Palantir AIP 的做法（自上而下）

• 先建完整 Ontology（業務對象、關係、Function、Action）
• Agent Studio 從全局 Ontology 裁剪出特定 Agent 的能力面
• 前提：企業已有成熟的 Foundry 數據平台

DataPilot 的做法（自下而上）

• 用戶不需要完整 Ontology 就能啟用 Agent
• Ontology 在使用中「長出來」：用戶提問 → Agent 回答 → 確認/修正 → 穩定解法沉澱為 Action
• Agent 不只消費 Ontology，也參與生產 Ontology

關鍵架構設計

1. Function vs Action 分工：Function = 口徑資產（怎麼算），Action = 過程資產（怎麼做）
2. Action 三級治理：查詢 Action（只讀）→ 分析 Action（多步推理）→ 執行 Action（有副作用，需人工確認）
3. 優先複用，允許回退：有匹配 Action 就用，沒有就自由分析，穩定後再沉澱
4. 分層設防：自由生成層（沙箱+只讀）、只讀 Action 層（強校驗）、執行 Action 層（最嚴格審計）

智能路由的價值

文章本質上論證了「模型能力的調度與編排層」的重要性——Agent 需要根據問題類型、風險等級、可用資產來智能路由到不同執行路徑。這個調度層（能力面）才是企業 AI 真正的護城河，而非單一模型能力。

KK 觀點

NVIDIA 從 GPU → 模型 → 調度層一路延伸，說明這個「智能路由/調度」的位置比想像中更重要。未來 Agent 競爭中，「模型怎麼分工」直接決定燒多少錢。