近期，企業級AI智能體的發展備受關注，Palantir提出的“FDE模式”和“本體論”成為眾多AI企業學習的焦點。用友在繼FDE模式后，又提出了本體驅動的智能體解決方案，旨在解決企業AI落地過程中的“最后一公里”難題。

當前，企業在應用AI技術時面臨諸多挑戰。大模型本身存在技術局限，如幻覺問題、知識更新滯后以及推理能力不足等。例如，在涉及高精度匯率換算時，多數大模型難以準確計算；處理大規模數據時，受限于輸入長度，大模型難以結合上下文進行有效分析。為提高準確性，企業不得不投入大量工程化手段，如通過模型知識與外掛知識庫結合的方式，但知識庫的持續迭代和維護成本高昂。

智能體成為企業落地大模型的主要方式。據統計，企業智能體中，20%來自廠商提供的通用場景，20%由IT與業務部門合作建設，60%則由業務部門自行開發。然而，智能體的廣泛應用也帶來了新問題，如數據孤島、多模態數據融合困難、思考能力不足以及缺乏業務邏輯理解等。例如，不同智能體間的數據可能不一致，底層數據結構變動時，維護工作繁重；非結構化與結構化數據難以統一使用；外掛知識庫僅靠記憶碎片回答問題，無法真正理解業務邏輯；面對應收賬款風險時，AI無法判斷后續處置措施。

針對這些問題，用友提出了本體驅動的智能體解決方案。本體被定義為現實世界的數字孿生，涵蓋對象、屬性、關系、規則、模擬測算以及行動與反饋六個方面。通過本體，企業可以基于結構化和非結構化數據自動創建圖譜，并將其作為節點編排到意圖流中調用。這一方案使智能體能夠結合語義理解進行數據洞察，提升決策的準確性和實時性。

以報銷單管理為例，用友的AI助手通過“一句話構建本體”功能，自動從相關數據表中提取信息，生成本體圖譜。用戶可以查看圖譜中的報銷單詳情，包括帶參數的動作、規則和數據實例。本體創建后，可在編排流程中調用相關節點，實現費控智能體的問答功能。這一方案不僅提升了數據處理效率，還增強了智能體的業務理解能力。

本體驅動的智能體方案在穩定性、準確性、智能決策、進化能力、實時性、開放性和安全性等方面具有顯著優勢。通過引入本體，企業AI架構從傳統的RAG模式升級為OAG模式，使智能體能夠真正理解業務操作。未來，企業AI架構將分為三層：底層是數據層，中間是本體層，上層是智能應用層，包括Agent平臺和具體Agent。

在實際應用中，本體驅動的智能體方案已展現出巨大潛力。例如，在客戶標簽管理中，本體使企業能夠更精細地控制排程優先級；在銷售員績效管理中，AI可根據拜訪記錄自動打分，提升評價的及時性和準確性；在原材料價格上漲問題中，本體支持實時調價模擬和測算；在能源集團財務分析中，本體確保了多維度數據的統一性；在金融業務問數中，本體通過統一入口實現智能體間的交叉驗證，保障了數據準確性。

有觀點認為，本體可視為加強版的知識圖譜，不僅包含名詞間的關系，還涵蓋動詞等動態信息。通過本體，大模型能夠梳理和理解業務概念之間的聯系，從而在理解業務關系的基礎上進行回答，比傳統RAG模式更準確。然而，本體自動創建的準確性仍需人工檢查和調整，不同領域數據創建的本體如何合成企業內唯一本體，以及本體層與數據中臺數據模型層的關系等問題，仍需進一步探討。