AI时代知识图谱与本体：Palantir vs Claude的路线之争

本期节目邀请了知识图谱领域的资深专家，围绕大模型时代的本体与知识图谱技术展开深度探讨，核心观点包括：大模型非但没有让本体技术过时，反而让其真正发挥价值；从数据库到知识图谱，企业始终围绕知识管理推进数字化升级；传统数据库的自上而下设计模式，会在企业扩张后引发跨部门协同难题；率先完成数据规整的企业更易落地知识图谱应用；本体是AI智能体的约束框架；静态本体已进化为可执行的业务导航；当前行业存在本体优先与模型优先两条技术路径；模型优先侧重相关性，本体优先侧重因果性。

节目开场，主持人先分享了一段和嘉宾的旧识趣事：当年两人同为同校同系学生，在一次图形学大作业中，主持人靠数学公式完成了简版3D建模工具，本以为成绩不错，却发现嘉宾小组的作品远超预期，这让主持人一度打消了比拼编程的念头。二十年后，主持人再次邀请这位老同学做客节目。

聊起本次节目的缘起，主持人表示，在帮助多家企业推进AI转型的过程中，发现大家最终都会绕回「组织」和「知识」两个核心词，而知识图谱这个在学生时代被不少人认为已经过时的技术，如今又重新回到了行业视野中。嘉宾首先安慰了主持人：「在Web编程和AI时代，大家其实又回到了同一条起跑线，甚至没有古法编程经验的人，反而没有历史包袱。」随后他抛出了反直觉的核心判断：大模型的出现，非但没有让本体和知识图谱技术过时，反而让它们的价值真正凸显了出来。

企业数字化的底层逻辑：从信息化到知识管理

要理解知识图谱的价值，首先要理清企业几十年的数字化发展脉络。嘉宾表示，企业的所有信息化建设，本质都是为了实现高效的知识管理与决策。搭建各类系统从来不是最终目的，系统只是支撑业务的脚手架，真正的目标是脚手架之上的管理与智能升级。无论是早期的大数据还是如今的AI，本质都是数据驱动的产物，没有高质量的数据，再先进的工具也无法发挥作用。

顺着这条脉络，可以将企业的技术发展历程串成一条主线：从最初的业务规则制定，到关系型数据库，再到数据仓库，最终进化为知识图谱。这一系列技术的核心，都是在解决同一个问题：当企业规模扩大到单个人无法记住所有业务细节时，如何系统性地管理组织内的知识与信息。

「信息化的本质是借系统，但我们真正要的是系统之上的管理能力。不管是大数据还是AI，核心都是数据驱动。」

为什么知识图谱成为刚需？

很多人会好奇，既然已经有了数据库，为什么还要发展知识图谱？嘉宾指出，传统数据库存在一个致命缺陷：必须预先设计好表头结构，这种自上而下的设计模式在企业扩张后会遇到严重的协同问题。一旦表头固定，后续很难调整，当企业部门增多、业务扩张时，不同部门的字段标准无法对齐，想要整合数据需要投入极高的集成成本，哪怕只是调整一个字段，后续的所有数据流程都需要重构。

如果尝试用宽表来解决这个问题，又会陷入另一个困境：宽表是扁平化的，没有明确的结构，无法体现字段之间的业务关系，使用者只能看到一堆零散的列，无法理解背后的业务逻辑。

真正推动图形化知识管理发展的，是社交网络的出现。像Facebook这样的平台，人与人之间的复杂关系无法用表格完整呈现，只能通过图结构来表达。但企业的业务关系比社交网络更加复杂：节点更多、关联方式更灵活，仅仅画出关系图还不够，还需要明确关联背后的业务含义，否则只能看到两个节点相连，却不知道为什么相连。

正是在这样的需求下，知识图谱应运而生。它将复杂的业务关系拆解为「主谓宾」形式的三元组，再通过本体来统一这些关系的定义——也就是行业内常说的「表头共识」，让不同团队之间能够基于统一的标准进行协作。简单来说，知识图谱就是「图形结构+语义共识」的结合体。

「我们既要保留关系的图形结构，也要保住背后的语义，这就形成了知识图谱。从最初的点边集合，到现在的主谓宾三元组结构，这是知识图谱的核心演进。」

本体的落地路径与实践难点

当主持人问到本体技术如何落地时，嘉宾打了一个非常形象的类比。本体的构建分为两种主流路径：一种是自上而下的行业标准模式，由行业统一制定公认的术语和关系规则，所有参与者都遵循这套标准；另一种是自下而上的业务定制模式，每个团队根据自身业务灵活定义本体，虽然灵活性更强，但在多团队协作时会陷入两两适配的混乱——三个人协作需要三次对齐，团队越多，适配成本越高，效率越低。

理想的落地方式，应该是建立一个中间标准框架，让所有团队都对齐到这个框架，只需要和这个标准进行一次对接即可实现无缝集成，这就像现在的模型调用协议，不需要每个系统之间单独适配，只需要统一对接中间标准即可。

但手动构建本体并非一劳永逸的解决方案。嘉宾坦言，这其中存在一个明显的陷阱：很难界定本体的覆盖范围，很容易出现「建完才发现处处有死角」的情况，看似织了一张密网，实际上什么都没拦住。而且，将跨部门沟通的难题从数据层转移到本体层，并没有真正解决问题，只是换了一个场景，想要依靠人工构建全局的共识标准，难度非常大。

「大家用一个中间的桥梁，所有人都往这个本体上靠。每次只要跟它对一次就行，相当于一个无缝的集成。这其实有点像现在的模型调用协议，大家都跟标准对齐，而不是两两去适配。」

哪些场景率先落地了知识图谱？

要说哪些企业真正落地了知识图谱，嘉宾给出的答案非常明确：金融和电商行业。

金融领域的落地基础最好，因为其数据天生具备结构化和标准化的特点。最典型的应用就是银行风控：反洗钱、反欺诈需要识别团伙欺诈的异常交易模式，比如多个马甲账户之间的可疑资金往来，最终流向皮包公司的异常链路。高频的异常模式可以通过程序自动挖掘，低频的特殊场景则可以通过人工规则补充。除此之外，股权穿透、关联交易、产业链分析、企业征信等场景，都依赖知识图谱技术，像企查查、天眼查这类工具，背后的核心支撑就是知识图谱。跨境金融场景的落地则更加顺畅，因为有国标和SWIFT代码等统一标准，所有数据天然规整。

电商领域的知识图谱应用也非常广泛：早期的假货识别、跨境报关、多语言商品对照等，都依靠商品知识图谱来实现。值得一提的是，「知识图谱」这个概念本身，就是谷歌在2012年提出的，当时的口号是「要事物，而非字符串」，核心目标就是优化搜索和推荐的精准度。

总结来看，知识图谱的落地有一个明确的规律：谁拥有结构化数据、谁完成了数据治理、谁的业务场景具备相对标准的结构，谁就更适合落地知识图谱。那些数据杂乱、开放度极高的场景，反而不太适合。

「谁有结构化数据、谁的数据经过治理、谁的场景和结构相对标准，谁就适合做知识图谱。」

大模型时代，本体的价值重新凸显

聊到这里，最反直觉的观点终于登场：当大模型技术已经足够强大时，为什么本体和知识图谱反而变得更重要了？嘉宾指出，这一切都源于一个最近在AI行业大火的概念——「harness」，也就是约束框架。

让AI自主完成任务时，最大的问题就是其自由度过高，容易偏离业务目标。但在企业的严肃决策场景中，一次错误的决策就可能带来巨大的损失，容错率极低。因此，必须给AI套上一道约束，让它遵守业务规则，这就是「harness」的核心意义。而嘉宾的核心洞见是：知识图谱和本体技术，天生就是为了给AI提供约束框架而生的。

主持人听完后恍然大悟：并非大模型让本体技术过时，而是大模型的自由性太强，恰恰让本体的约束价值第一次真正体现了出来。

进一步来看，大模型调用工具时，早年经常出现调用失败、输出不可用的问题，想要让输出可控，就必须采用结构化的格式。无论是Markdown还是JSON，这类结构化内容最终都可以还原为知识图谱的图形结构。当模型在训练中学会识别和使用这类结构时，就相当于将结构化知识的能力内化到了模型中。

那为什么还要单独构建知识图谱，而不是让模型自己完成所有工作？嘉宾表示，这是为了实现跨场景的知识集成、交换和记忆。纯黑盒的模型参数，人类无法理解和管控，但结构化的知识图谱，人类可以清晰解读，机器也可以识别，它成为了人类和AI之间的沟通接口。

「你会发现现在的大模型产品里，出现了很多context graph、session graph、memory graph还有各种ontology，其实这些又回到了我们早年做知识图谱的思路上。」

从静态地图到动态导航：本体的进化

如今的本体技术，和早期已经有了很大的不同。嘉宾表示，早期像Palantir这类企业的本体，更像一张静态地图，只是记录企业内部的人员和业务关系。但到了AI智能体时代，仅仅有静态的地图是不够的，不仅要知道业务结构，还要能够驱动行动，因此本体必须变得「可执行」。

现在的本体更加偏向业务流程，更像一个可触发的事件而非静态的对象。想要让本体能够动起来，必须将API和业务函数挂载到本体上，将各类服务和流程连接起来，让知识真正转化为行动力。嘉宾打了一个非常贴切的比方：「早期的本体是一张地图；现在的动态本体，更像导航系统。导航当然得有地图，但不能只有地图，否则你动不了。它得告诉你往哪走，还顺路给你提醒。」

从静态地图到动态导航，是本轮本体技术进化的核心变化：本体从单纯的「描述世界」，进化为「能够在业务中执行动作」。Gartner将这类技术栈的底层称为「知识编织」，说的正是这个方向。Palantir早在多年前就开始了类似的实践，只是当时还没有大模型的加持，如今在AI智能体的浪潮下，这类技术终于找到了更广阔的应用场景。

两条技术路径：本体优先vs模型优先

这是本期节目最有价值的内容之一，嘉宾将当前的知识图谱应用分为了两条完全相反的技术路径。

第一条是本体优先路径，代表企业是Palantir。这类企业服务的客户多为军工、金融、供应链等领域的大型机构，这些客户本身的信息化程度较高，且需要进行实时的复杂决策，比如将零散的业务信息整合为完整的业务视图。

为什么Palantir不直接使用大模型？嘉宾给出了非常硬核的理由：大模型的延迟较高，无法满足毫秒级的实时决策需求。Palantir早年使用Gotham、Foundry等产品完成反欺诈、情报分析等任务时，大模型技术还未成熟，他们依靠的是将蛛丝马迹的信息拼接整合，通过前置部署工程师逐步构建业务体系。因此，Palantir天生就是本体优先的思路，大模型只是后来才加入的辅助工具。

第二条是模型优先路径，代表企业是Claude。这类企业从模型本身出发，先打造基础的大模型能力，之后再逐步添加工具调用、技能模块、上下文图谱等约束框架。这种路径适合开放的、非实时的、以公开非结构化多模态数据为主的场景，不需要预先构建大规模的知识图谱，而是在使用时临时生成所需的小范围图谱。

两种路径到底谁更优秀？嘉宾点出了很多人容易忽略的核心差异：相关性与因果性。神经网络类的AI本质是模式识别，依靠的是从数据中挖掘相关性规律，但在黑天鹅、长尾等小概率场景中，仅靠数据无法学到足够的规则，很容易出现错误。而在严肃的业务场景中，绝对不允许AI「猜错」，比如在反洗钱、根因分析等场景中，如果AI因为网关故障就查询到错误的结果，可能会造成致命的损失。因此，凡是需要可解释、可追溯、精确决策的场景，必须采用本体优先的路径，因为最终的决策权和解释权必须掌握在人类手中。

嘉宾强调，这两种路径并非谁优谁劣，而是各自适配不同的业务场景，未来会逐渐走向融合，形成你中有我、我中有你的格局。

「现在的AI，至少神经网络这种，本质都是模式识别，是在找规律。找规律是相关性，不代表因果。碰上黑天鹅、长尾这种小概率的事，光靠数据是学不充分的。」

自动化生成知识的误区

聊到落地的实际问题，主持人提到，过去构建知识图谱和本体需要大量人工投入，依赖业务专家手动整理数据，现在有了大模型，是不是可以大幅降低构建成本？不少人认为，大模型可以让本体的生成速度和成本都得到优化，这也是今明两年AI应用爆发的核心原因之一。

嘉宾认可这个判断，但同时分享了一个反直觉的测试结果：在技能模块的测试中，给模型配备现成的技能模块时，表现会明显提升，但如果让模型自动生成技能模块，反而会导致整体表现下降。这是因为模型容易脑补出不符合业务规范的内容，引入大量噪声，最终被这些噪声带偏。

因此，知识必须以渐进式的方式外挂给模型，而不是让其自行生成。模型真正使用的并非「你的知识」本身，而是「运用知识的能力」。它不会真正理解知识的具体含义，只要按照规范的格式执行即可，但如果让它自行区分不同知识的边界，甚至拆分细化知识体系，这是人类都难以完成的工作，交给模型只会产生大量错误。

这一结论值得所有AI智能体开发者牢记：知识要外挂、要一点点摊开给模型看，不能让它自己脑补。

「让机器自动生成的技能，反而让表现更差。这件事一定要外挂在外面，用一种渐进式披露的方式让模型理解，而不是让它自己脑补。它一脑补，就攒出一堆垃圾和噪声，最后反被噪声带偏。」

专家的个人知识管理之道

节目最后，主持人问到嘉宾作为知识图谱领域的专家，自己是如何管理和更新知识的，日常使用哪些AI工具，又是如何完成学术论文写作的。嘉宾的回答非常反常识，也让在场的人深受启发。

他表示，自己会使用AI工具，但绝不会过度依赖。他有两个核心原则：第一，自己的记忆力还不错；第二，人类最大的能力是抽象思维。现在的大模型其实在做「知识卸载」的工作，可以帮助人类记住大量的细节信息，不需要再死记硬背具体的内容。

他给自己定下了一个清晰的规则：只记忆概念层的知识，不记忆实例层的内容。具体的人名、数字、细节等实例类信息，全部交给AI去处理，自己只保留核心的知识框架。哪些知识需要保留，哪些可以遗忘，他会通过大模型反复打磨筛选，吸收有用的内容，过滤无效的信息。

他还分享了一个扎心的现实：很多人习惯用手机拍摄PPT、文档等资料，拍完之后就觉得自己已经拥有了这些知识，但实际上很少有人会回头复习。这种行为只是带来了「拥有知识」的错觉，反而会消耗大量的注意力，制造知识焦虑。他将自己的知识管理方法总结为一句话：「存量市场用自己的脑子，新增市场用AI过一遍。」

老的知识依靠自己的大脑留存，新的知识借助AI过滤筛选，完全将工作甩给机器，只会让自己的能力退化。

「我会用，但绝不上瘾。第一，我记性还行。第二，人最大的本事是抽象。现在大模型也在干一件事，叫知识的卸载——你不用记那么多。」

未来角色：人类是大模型的引导程序

聊到人类在未来AI时代的角色时，主持人分享了自己的思考：未来每家企业都会以大模型为业务中枢，企业之间的竞争，将聚焦于谁能更高效地将现实世界的业务抽象为结构化知识，并对齐给大模型。这就好比让大模型成为战场将领，人类则担任斥候，负责为大模型绘制准确的业务地图、校准前进方向，具体的执行由大模型完成，人类则在一旁帮助大模型识别风险、明确目标。

嘉宾则给出了更形象的比喻：「说白了，我们其实是大模型的开机引导程序。」

虽然这个说法听起来有些悲观，但聊到最终的结论时，又并非全然如此。主持人问到那些专注于知识管理的从业者有什么价值时，嘉宾表示，传统的知识管理更多偏向咨询类的搬运和浅加工工作，这类工作可以交给AI完成，但关于知识的筛选、决策、集成和推理，依然需要人类来主导。

人类真正应该保留的核心能力有三点：第一，「知道该问谁」的能力。在AI可以回答几乎所有问题的时代，这种能力反而更加重要，需要明确知道某个问题应该交给哪个模型、哪个人来处理；第二，具体的业务招式可以交给AI，但要保留「我知道这块业务有哪些基础能力」的认知；第三，从问题出发牵引知识，而不是盲目囤积知识，需要用时再调取即可。

嘉宾总结道：随着生产力工具的升级，很多具体的执行技能会逐渐被模型和数据接管，人类现阶段最需要守住的，是验证AI输出的准确性，避免AI出现错误，同时不断打磨自己的判断力和审美品味。

「机器来了，我们不能把自己弄弱，变成被它牵着走的附庸。而是要把脑子里的容量和能力，更多花在提升品味、做选择上。这才是新时代里，一个人真正的竞争力。」

本期节目表面上聊的是知识图谱、本体技术、Palantir和Claude等硬核技术，但最终落脚到了一个所有人都无法回避的问题：当机器已经可以包揽「记忆」和「搬运」知识的工作时，人类到底应该把精力用在哪里？

嘉宾的答案非常明确：用在「知道谁」「知道是什么」「知道为什么」上，也就是用在选择和审美判断上。