第一部分 为什么 RAG 已经不够——企业知识需要一套“语义骨架”

过去两年，RAG（Retrieval-Augmented Generation） 几乎成为企业构建大模型应用的标准架构。其基本思想十分直接：当用户提出问题时，系统首先从企业知识库中检索相关文档，再将检索结果作为上下文提供给大模型生成答案。

相比直接依赖模型参数，RAG 能够有效降低幻觉（Hallucination）问题，提高知识的时效性，并使企业无需重新训练模型即可利用自身知识资产，因此迅速成为企业 AI 应用最主流的技术路线。

从客服问答、企业搜索到知识助手，大多数企业级 AI 产品几乎都建立在这一架构之上。然而，随着 AI Agent 开始承担跨系统、多步骤和复杂业务流程的执行任务，越来越多企业发现，RAG 能够解决"找到知识"的问题，却越来越难解决"理解业务"的问题。这一变化意味着，企业知识工程正在进入新的发展阶段。

RAG 的根本优势在于利用向量检索（Vector Retrieval）寻找与问题语义最接近的文本片段（Chunks），再借助大模型完成归纳、总结和生成。

这种方式对于制度查询、产品说明、知识问答等以文档为中心的任务具有良好的效果。然而，企业经营活动并不是由一篇篇独立文档构成，而是由大量业务对象、组织关系、业务规则和流程约束共同组成的复杂系统。

例如，当管理者提出"哪些战略客户近三个月订单金额持续下降，同时售后投诉增加，但销售团队仍存在高价值商机未推进"时，真正需要关联的是客户、订单、投诉、商机、销售人员、组织架构以及经营指标之间的关系，而不是分别找到几份包含这些关键词的文档。传统 RAG 往往只能检索到多个相互独立的文本片段，却无法理解这些业务对象之间为何存在关联，更无法依据企业既有规则完成跨对象、跨系统的逻辑推理。

随着 Agent 从"回答问题"逐渐演进为"完成任务"，这种局限性开始成为企业 AI 落地的重要瓶颈。

这一问题正在得到国际学术界的广泛关注。2025 年发表于 EMNLP 的 OG-RAG（Ontology-Grounded Retrieval-Augmented Generation） 研究指出，传统 RAG 主要依赖文本相似度进行检索，缺乏对领域知识结构（Domain Knowledge Structure）的理解，因此在医疗、法律、制造、咨询等知识密集型场景中，经常无法正确组织复杂业务关系。

论文提出，应将本体（Ontology）引入检索阶段，通过业务实体、概念关系和领域约束构建结构化语义空间，使检索对象不再只是文本片段，而是经过业务语义组织后的知识单元。实验结果表明，相较传统 RAG，OG-RAG 在多个大模型上的准确事实召回率提升约 55%，回答正确率提升约 40%，事实推理能力提升约 27%，同时还能显著提高答案来源的可追溯性。

这一研究表明，企业知识增强正在从"文本增强（Text Augmentation）"逐步演进为"语义增强（Semantic Augmentation）"，未来企业 AI 的竞争重点将不仅是谁拥有更多文档，而是谁拥有更完善的知识语义结构。

因此，企业下一阶段需要建设的已不仅是一个能够存放文档的知识库，而是一套能够描述企业业务世界的语义骨架（Semantic Backbone）。这套骨架不仅定义客户、产品、订单、合同、组织、员工等业务实体，还进一步描述它们之间的关系、约束条件、生命周期和业务规则，使 AI Agent 理解的不再是孤立的文本，而是整个企业经营体系的运行逻辑。只有建立这样的语义基础，Agent 才能够真正完成跨部门协同、复杂业务推理和流程自动执行。

从这一意义上看，RAG 并不会消失，而是将继续作为企业知识获取的重要组成部分；真正发生变化的是，它需要建立在更高层次的企业本体（Enterprise Ontology）之上，由文本检索升级为语义驱动的知识增强。这也正是本文下一部分将重点讨论的问题：企业本体（Enterprise Ontology）究竟是什么，它为什么会成为 AI Native 企业知识体系的核心基础设施。

图1 从传统 RAG 到语义驱动知识增强（OAG）的演进

第二部分 企业本体（Enterprise Ontology）：企业业务世界的语义地图

如果说 RAG 解决的是"如何找到知识"，那么企业本体（Enterprise Ontology）解决的则是"如何理解知识"。两者看似都服务于企业知识管理，但关注的层次完全不同。RAG 建立在文档和文本之上，通过向量检索寻找与问题最相关的内容；而本体则建立在业务世界之上，它定义的是企业有哪些核心对象、这些对象之间如何关联、哪些规则必须遵循，以及不同部门、不同系统是否在使用同一种业务语言。

因此，本体并不是传统意义上的知识库，也不是知识图谱，而是一套能够描述企业经营逻辑的语义模型（Semantic Model）。微软在最新发布的 Microsoft Fabric IQ Ontology 中，将企业本体定义为企业共享的业务词汇（Enterprise Vocabulary）和语义层（Semantic Layer），通过实体（Entity）、属性（Property）、关系（Relationship）以及约束（Constraint）建立统一的业务语义，使 AI Agent 能够跨系统理解业务概念，并基于统一语义完成跨领域推理和决策。

这意味着，本体的目标不是存储更多数据，而是让所有数据拥有一致且可计算的业务含义。

企业经营本质上是一个由大量业务对象共同组成的复杂网络。例如，一个典型的 B2B 企业通常包含客户（Customer）、商机（Opportunity）、合同（Contract）、订单（Order）、产品（Product）、发票（Invoice）、服务工单（Service Ticket）等核心实体，而这些实体之间存在明确的业务关系：客户产生商机，商机转化为合同，合同生成订单，订单形成发票，订单又进一步关联售后服务与客户满意度。

如果这些信息分别存放在 CRM、ERP、OA、财务系统和知识库中，传统 RAG 往往只能检索到几份相互独立的文档，却无法理解"订单为什么属于合同""合同为什么必须对应客户""投诉为什么会影响客户价值"等业务逻辑。而 Enterprise Ontology 正是通过定义这些实体、关系和约束，将企业经营过程组织成一张完整的"业务语义地图"。

对于 AI Agent 而言，它看到的不再是孤立的数据表或文本片段，而是一个具有结构、规则和因果关系的业务世界，因此能够完成跨部门、跨系统、跨流程的复杂推理。

近年来关于企业本体的综述研究同样指出，Enterprise Ontology 的核心价值在于为企业架构、业务流程管理、知识管理和 AI 推理提供统一的概念基础，使组织内部形成一致的语义认知，并提升系统之间的互操作能力。

理解企业本体，还需要将它与知识图谱（Knowledge Graph）区分开来。知识图谱强调的是事实（Facts），例如"华东制造集团签订了 320 万元合同""订单 A 属于客户 B"；而本体强调的是规则（Semantics），例如"任何订单必须来源于合同""一个合同必须属于一个客户""战略客户可以拥有多个长期商机"。

换句话说，知识图谱记录的是企业已经发生的事实，本体定义的则是企业世界应该遵循的概念体系和业务规则。本体为知识图谱提供统一的语义标准，知识图谱则基于本体不断沉淀新的业务实例，两者共同构成企业知识体系的基础。

微软 Fabric IQ 的设计也体现了这一思路：Ontology 首先定义统一业务概念，再通过 Data Binding 将不同数据源映射到这些概念之下，并最终形成可查询、可推理、可治理的语义图（Ontology Graph），使 AI Agent 能够直接围绕"客户""订单""产品"等业务对象进行理解，而无需关心这些数据分别来自哪一张数据库表。

从 AI Agent 的角度来看，本体真正提供的是一种世界模型（World Model）。传统 RAG 依赖文本相似度寻找答案，而 Agent 在执行复杂任务时，更需要理解业务对象之间的关系及其约束条件。例如，当 Agent 接到"分析本季度高风险客户并制定挽留方案"这一任务时，它不仅需要检索客户资料，还需要理解客户与订单、合同、售后、满意度、销售组织之间的语义关系，并依据企业经营规则完成推理。

2025 年发表于 EMNLP 的 OG-RAG（Ontology-Grounded Retrieval-Augmented Generation） 研究正是基于这一思想，将领域本体引入检索阶段，使模型首先完成实体识别和关系定位，再依据本体组织上下文进行推理。实验结果显示，与传统 RAG 相比，OG-RAG 的准确事实召回率提升约 55%、回答正确率提升约 40%，事实推理能力提升约 27%，充分说明语义结构已经成为企业知识增强的重要方向。

由此可以看出，企业本体不仅是知识管理体系的一部分，更是 AI Native 企业构建智能体能力的基础设施。

它赋予 Agent 理解企业业务世界的能力，也为下一部分将讨论的 OAG（Ontology Augmented Generation） 奠定了最关键的语义基础：让 AI 不再只是检索知识，而是真正按照企业业务逻辑进行理解、推理和生成。

图2 Enterprise Ontology——企业业务世界的语义地图

第三部分 OAG：让 Agent 在语义世界中推理，而不是拼接文本

如果说企业本体回答了"企业业务世界是什么"，那么接下来需要解决的问题就是：如何让大模型真正利用这套语义体系完成推理。 这正是 OAG（Ontology Augmented Generation，本体驱动增强生成）的核心价值所在。

从技术演进来看，RAG 通过"检索+生成"解决了大模型无法获取企业私有知识的问题，但它的检索对象始终是文本片段（Chunks），生成过程仍然主要依赖模型自身的语言能力。

对于制度查询、知识问答等简单场景，这种模式已经能够满足需求；然而，当 Agent 开始承担客户分析、销售决策、供应链协同、风险评估等复杂业务任务时，仅依靠文本相似度已经不足以支撑业务推理。

Agent 真正需要理解的不只是"哪些文档与问题相关"，而是"问题涉及哪些业务实体、这些实体之间存在什么关系、哪些业务规则必须遵循、哪些信息应该优先参与推理"。

因此，OAG 并不是简单地在 RAG 前增加一个本体，而是将企业本体作为知识组织和推理的基础，使整个生成过程从"文本驱动"升级为"语义驱动"。

从这个意义上说，OAG 是一种建立在企业本体之上的知识增强生成方法，而不是传统 RAG 的简单升级。 

从架构角度来看，传统 RAG 的工作流程通常可以概括为"用户问题→向量检索→相关文档→Prompt→LLM→答案"。

这种流程最大的优势是实现简单，但也存在明显局限：系统无法区分"客户"是组织客户还是个人客户，无法理解"订单"与"合同"之间的约束关系，也无法判断多个检索结果之间是否存在逻辑冲突。

因此，检索到的信息越多，模型需要自行完成的推理工作就越复杂，最终输出结果的稳定性也越难保证。

而 OAG 则采用完全不同的思路。当用户提出问题后，系统首先依据企业本体完成实体识别（Entity Resolution），明确问题涉及哪些业务对象；

随后结合本体定义的关系网络完成关系扩展（Relation Expansion），确定与当前实体相关联的上下游业务对象；

在此基础上，再依据业务规则进行语义检索（Semantic Retrieval），而不是简单寻找语义相近的文本；最后，大模型基于已经组织好的语义上下文完成推理和生成。

整个过程可以概括为"问题→本体→实体定位→关系推理→语义检索→业务生成"，模型获取的不再是零散文档，而是一组已经具备业务逻辑关系的知识集合，因此推理过程更加稳定、可解释，也更符合企业真实业务流程。

这一思路已经得到国际最新研究的验证。2025 年发表于 EMNLP 的 OG-RAG（Ontology-Grounded Retrieval-Augmented Generation） 提出，将领域本体引入检索阶段，通过本体构建超图（Ontology Hypergraph），利用实体关系组织知识单元，而不是按照固定长度切分文本。

研究结果表明，相较传统 RAG，OG-RAG 在四种主流大模型上的准确事实召回率提升约 55%，回答正确率提升约 40%，事实推理能力提升约 27%，同时由于上下文具有明确的语义来源，答案溯源效率提升约 30%。这些结果说明，本体不仅改善了检索效果，更重要的是改变了知识组织方式，使大模型能够围绕业务概念进行推理，而不是围绕文本相似度进行猜测。

对于企业而言，这意味着 Agent 不再只是"阅读企业文档"，而是真正开始"理解企业业务"。未来，无论是营销智能体、销售智能体还是服务智能体，都可以围绕统一的企业本体共享业务语义，在相同的世界模型下完成跨系统协同和复杂任务执行。

这也意味着，企业知识工程的重点将逐渐从建设知识库转向建设语义层，而 OAG 正是连接企业本体与 AI Agent 的关键推理引擎。

图3  OAG：从文本检索走向语义推理

第四部分 OAG Platform：构建企业 AI 的语义基础设施——从知识管理到智能体协同

如果说企业本体解决了"如何定义业务世界"，OAG 解决了"如何让 Agent 基于业务语义进行推理"，那么企业真正需要思考的最后一个问题就是：如何将这种能力沉淀为企业长期可复用、可运营、可持续演进的基础设施。

 对于绝大多数企业而言，最大的挑战并不在于完成一次 Ontology 建模，也不在于开发一个能够调用知识库的 Agent，而是在于如何让不同部门、不同业务系统、不同智能体都能够共享同一套语义体系，并随着业务变化持续演化。

这意味着，企业需要建设的不再只是知识平台，而是一套覆盖知识建模、语义管理、智能体推理、治理运营的 OAG Platform（Ontology Augmented Generation Platform）。它的角色类似于企业 AI 的"语义操作系统"，负责把原本分散在 CRM、ERP、SRM、PLM、OA、BI 等系统中的数据和知识组织成统一的业务语义层，使所有 Agent 都运行在同一个业务世界模型之上，而不是各自理解一套不同的业务语言。

微软在 Microsoft Fabric IQ Ontology 中提出的理念正体现了这一趋势：Ontology 不再只是数据建模工具，而是企业共享的语义层（Semantic Layer），既服务于数据分析，也服务于 AI Agent 的跨域推理、自然语言查询和业务决策。

从企业架构的角度来看，一个完整的 OAG Platform 通常包含四个相互协同的核心层次。

第一层是企业本体层（Enterprise Ontology），负责定义企业统一的业务实体、业务关系、业务规则和业务术语，例如客户、订单、合同、产品、组织等核心概念及其关系，这是整个语义体系的基础；

第二层是知识组织层（Knowledge Layer），负责将企业文档、数据库、知识图谱以及实时业务数据统一映射到本体定义的业务概念之下，使所有知识都能够围绕统一语义进行组织，而不是按照系统边界进行割裂；

第三层是OAG 推理层（Ontology-Augmented Reasoning），负责完成实体识别、关系扩展、语义检索、业务约束校验和多步推理，让 Agent 获取的不再是孤立文本，而是经过业务语义组织后的知识上下文；

第四层则是智能体应用层（Agent Layer），包括 Marketing Agent、Sales Agent、Service Agent、HR Agent、Finance Agent 等各类业务智能体，它们共享同一套企业本体和知识语义，因此能够在跨部门协同过程中保持一致的业务理解。

这种架构使企业 AI 从"多个知识助手"演进为"多个共享同一世界模型的智能体"，真正实现知识复用、语义一致和跨系统协同。OG-RAG 的研究同样证明，将本体作为知识组织中心，不仅能够提高事实召回率和复杂推理能力，还能增强答案的可解释性和可追溯性，为企业级 Agent 提供更加稳定的知识基础。

图4  OAG Platform——企业 AI 的语义基础设施

对于 迈富时Marketingforce 而言，OAG Platform 并不是一个独立产品，而是一种贯穿企业 AI 架构的核心能力。

在这一架构中，KnowForce 企业知识平台负责沉淀企业文档、业务知识和行业经验，并持续完成知识治理与版本管理；

企业本体（Enterprise Ontology）负责统一企业业务词汇、实体关系和业务规则，构建覆盖营销、销售、服务、运营等领域的语义层；在此基础上，OAG Engine 将本体、知识图谱、向量检索和语义推理结合起来，为 GenAIOS 企业 AI 操作系统和 AI-Agentforce 智能体平台提供统一的知识增强能力，使 Marketing Agent、Sales Agent、Service Agent 等不同智能体能够围绕同一业务世界进行理解、推理与协作，而不再依赖各自独立的 Prompt 或知识库。

随着 MAS（多智能体协同平台）的加入，不同 Agent 还可以共享实体状态、业务上下文和语义推理结果，形成真正意义上的企业级智能协同网络。这样一来，企业沉淀的不再只是文档资产，而是一套可以持续演进、持续推理、持续复用的语义资产。

未来，当企业不断增加新的业务系统、新的数据源或新的智能体时，无需重新构建知识体系，只需接入统一的本体和 OAG 平台即可快速获得一致的业务理解能力。这也意味着，企业 AI 的竞争重点正在从"谁拥有更多数据"转向"谁拥有更完整、更统一、更可推理的企业语义体系"。 OAG Platform 正是连接企业知识、业务语义与智能体协同的关键基础设施，也是 AI Native 企业迈向规模化智能运营的重要支撑。