展望未来，AI Agent时代的到来正在重新定义数据平台的边界。光有一个湖仓让Agent“查数”已经不够，Agent还得能“办事”——写工单、改库存、下单、回滚、持久化记忆，这些全是源端系统（TP）的工作。传统的TP/AP分离架构正在被推倒，这将是下一轮对企业数据使用价值更本质的重构。

Databricks 在 Data+AI Summit 2025 提出了一个新词 LTAP（Lake Transactional/Analytical Processing），对应传统 HTAP 但语境换了——不是冲着银行核心账务去的，而是冲着 AI Agent 工作负载去的。

当前主流的智能体场景（主动智能、多模态、外部编织、仿真推演）全是“数据→洞察→?”，“?”这一段传统是“人去执行”——人收到预警去改采购单、去调价、去派工单。Agent 时代“?”变成“Agent 直接写回业务系统”，这就必须碰源端系统（TP）：

所以 LTAP/HTAP 不是“又一个性能升级”，而是把“决策→执行”的断裂缝合了——从“人找数”到“数据找人”，再下一步必须是“数据（Agent）直接办事”，否则 Agent 停在“顾问”阶段，进不了“员工”阶段。

当 TP/AP 的墙被推倒，当 Agent 能直接读写数据，决定数据价值上限的不再是查询速度或事务能力，而是“AI 是否真正理解业务语义”。

本体层（Ontology）正是这个“理解”的基石。没有它，LTAP 再快、Agent 再勤快，也只是在“数字的海洋里高速乱撞”。

为什么本体层是 LTAP 时代的“灵魂” 

LTAP 让 Agent 既能查又能写，但如果 Agent 不理解“对公客户”和“对私客户”是两个不同的实体、“退货率”和“退款率”是不同的指标，它就会：

• 写错字段（把退货原因写到备注里）

• 问错问题（“本月客户退货率”实际上想查的是“本月个人客户退货率”）

• 做出错误决策（因为误解了“活跃用户”的定义）

本体层的作用：为机器提供一份企业共识的业务知识图谱——明确定义实体、属性、关系、约束、业务规则。例如：

• 实体：供应商（Supplier）→ 属性：名称、税号、等级、状态

• 关系：Supplier → provides → Product（一个供应商提供多种产品）

• 规则：同一税号视为同一供应商；供应商状态为“冻结”时不能新增采购订单

这份本体不是数据字典，而是业务逻辑的形式化表达。它让大模型和 Agent 在调用数据时，能“读懂”数据的业务含义，而不是仅仅匹配字符串。 

本体层与大模型的协同：从“语料”到“语义” 

当前 RAG 的局限在于：它只检索文本片段，不理解文本背后的业务结构。例如，一段文档写着“供应商等级分为 A、B、C 三级，A 级享有优先付款权”，RAG 能把它摘出来，但不会自动关联到“供应商”实体的“等级”属性上，更不会在执行“查询 A 级供应商”时自动应用这个规则。

本体层+大模型的协同模式应是：

• 本体作为结构化知识注入 Prompt：在 Agent 每次执行前，将相关领域的本体片段（实体定义、关系、规则）作为上下文注入，让 LLM 的推理锚定在业务事实上。

• 本体引导大模型生成精确查询：当用户问“上月 A 级供应商的准时交货率”，系统先通过本体识别“A 级供应商”是 Supplier 实体上 status='active' 且 level='A' 的子集，再映射到对应的 MPP 查询。

• 大模型辅助本体维护：LLM 可以从非结构化文档（会议纪要、邮件、政策文件）中提取新的业务规则，推荐给本体管理者审核采纳，形成持续演进的“业务知识飞轮”。

这样，大模型不再是“黑盒猜谜”，而是在本体提供的“业务地图”上导航——准确率、可解释性、可信度都会大幅提升。

企业数据建设最终交付的不是一个平台，而是一套“事实+事理”的有机体 

1. 事实层：可信的数据资产

事实就是经过治理的、可追溯的、确定性的数据记录。例如：

• “供应商 A 的统一社会信用代码是 91110000MA12345678。”

• “2025 年 6 月，SKU X 的销售额为 1,234,567 元。”

• “客户 B 的注册时间是 2024-03-15。”

事实的质量取决于数据治理的水平——完整性、准确性、一致性、及时性。“供应商十套系统”问题，就是事实层没有做好。事实层是地基，地基不稳，上层建筑必然坍塌。

2. 事理层：业务逻辑与规则

事理是关于事实如何组织、如何关联、如何推导的规则和知识。它包括：

• 实体关系：“供应商”与“采购订单”是一对多关系；“客户”与“合同”是一对多关系。

• 业务规则：“VIP 客户的定义是累计消费超过 10 万元且近 3 个月有交易。”

• 推导逻辑：“净利润 = 收入 - 成本 - 税费。”

• 约束条件：“供应商状态为‘冻结’时，不能发起新的采购流程。”

事理层就是本体——它描述了世界的运行规律。事理层是大脑，决定了如何解读和使用事实。

3. 两者的关系：事实是肌肉，事理是神经

没有事理，事实只是一堆散乱的数字；没有事实，事理只是空洞的逻辑游戏。只有两者结合，才能构成完整的“企业认知智能”。

例如，当业务问“上个月 VIP 客户的流失情况如何？”：

• 事理层先理解：“VIP 客户”的定义是什么？“流失”是指连续 N 天未登录还是合同到期未续约？

• 事实层再提供：根据定义，从数据库中查出符合条件的客户名单及其最近活动记录。

• 事理层再计算：将这些客户的状态与历史对比，得出流失率。

整个过程，事理层负责“理解问题、拆解步骤、解释结果”，事实层负责“提供原材料”。 

当前行业缺失的是什么？

• 事实层：经过二十年的数据治理运动，大多数企业已经有一定基础，尽管参差不齐。

• 事理层：几乎没有系统性建设。企业有业务规则（藏在制度文档、Excel、老员工的脑子里），但没有形式化、可机器执行的事理表示。这就是为什么大模型在企业里总是“一本正经地胡说八道”——它缺乏事理层的约束。

未来的突破口就在事理层：如何低成本地将企业的业务规则、领域知识、逻辑约束提取出来，转化为机器可读、可推理的格式（例如知识图谱、规则引擎、甚至结构化的 Prompt 模板），并与大模型/Agent 深度集成。

一个务实的推进路径

对于传统企业，不需要一步到位建一个庞大的“企业本体”，可以从小处着手：

1.选择一个高价值、规则清晰的业务域（例如供应商管理、客户分级、合同审批）。

2.梳理该域的“事理”：画出实体关系图、列出核心业务规则、定义关键指标口径。

3.将事理嵌入现有系统：可以是简单的规则配置文件、低代码决策表，也可以是轻量级知识图谱。

4.用大模型验证：让业务/大模型基于这套事理回答问题，观察准确率和业务满意度。

5.逐步扩展：从一个域到多个域，从简单规则到复杂推理。

这样，企业就在不知不觉中构建起了自己的“事理层”，而无需等待一个宏大的“知识中台”项目。

 结语

企业数据建设的终极目标，不是建一个更快的平台，而是构建一套可信的事实层（数据治理的成果）和一套可机器执行的事理层（业务知识与规则的形式化表达），二者共同构成企业数字世界的心智模型。这才是数据使用价值的终极形态——不是更快地查数，而是让机器真正懂业务、能办事、会学习。