事实
第一格 · FACT
“发生了什么”——客观记录,不掺判断。
· 一张餐饮发票,1800 元
· 消费地:深圳,日期:2026-09-28
· 提交人:市场部 小李
· 关联项目:Q3 品牌推广
↑ 这四行,ERP 里本来就有。存了三十年。
华为写了本体的教科书,我们把它装进了发动机——《本体驱动的AI数据管理》讲怎么建本体,FlyOntOS 讲建完之后怎么让它自己跑、自己查、自己进化。本页逐条对照:7+1 每一项在我们这儿叫什么、落在哪一层、怎么落地。
华为把二十多年数字化转型里「数据怎么才能被 AI 用起来」的经验,写成了一套可复制的方法论。全书主线只有一句:把数据的描述从「对象、属性、关系」升级为「事实、事理、行动」。前两个词企业信息化三十年一直在做,真正的增量是第三个——行动。
2026 年 5 月
机械工业出版社出版
4 篇 10 章
从概念 → 建模 → 落地 → 应用
7+1
项语义规范框架
16.3 万字
陶景文作序
读完这张表,你就知道这本书哪几章可以直接用我们的产品跳过。
| 篇章 | 它在讲什么 | FlyOntOS 对应模块 | 状态 |
|---|---|---|---|
| 第一篇 · 概念与认识 | 为什么数据管理要转型;本体论基础;体系框架 | 《本体论入门与实践方法论》十阶课程 + 社区 | ✓ 有教材 |
| 第二篇 · 事理模型与建模 | 对象-属性-关系;§5.4 的「7+1」语义规范框架 | 本体建模模块 + 四层本体 L0/L1/L2/L3 + SHACL/SWRL | ✓ 产品化 |
| 第三篇 · 构建与融合落地 | §6.1「29 句话」· §6.5「点线面」· 跨系统语义对齐 · 工具平台化 | CAR 逆向设计 · 知识融合引擎(五种消解策略)· L2 桥接层 · 可视化编辑器 | ✓ 产品化 |
| 第四篇 · AI 场景应用与展望 | 问答 / 流程自动化 / 决策支持三类场景 | 100+ onto_* MCP 工具 + Skills 能力图谱 + RLVR 3.0 自进化 | ★ 我们更强 |
前三篇是「怎么建」,华为讲得比谁都清楚;第四篇是「建完怎么用、怎么越用越好」,这是 FlyOntOS 的主场。
别背定义。看一张报销单就够了。
第一格 · FACT
“发生了什么”——客观记录,不掺判断。
· 一张餐饮发票,1800 元
· 消费地:深圳,日期:2026-09-28
· 提交人:市场部 小李
· 关联项目:Q3 品牌推广
↑ 这四行,ERP 里本来就有。存了三十年。
第二格 · PRINCIPLE
“按规矩该怎么算”——制度、口径、逻辑。
· 《差旅费管理办法》§3.2:业务招待费单次上限 1500 元
· §4.1:超额需部门总监二级审批
· 深圳属一线城市,标准不上浮
· 市场部 Q3 预算已用 87%
↑ 这四行,躺在 PDF 里。以前没人读得懂。
第三格 · ACTION
“那现在该干什么”——可执行的下一步。
· 拦截本次报销,不予通过
· 自动推送补充二级审批待办给总监
· 记入「预算超支风险」台账
· 抄送财务 BP:Q3 剩余额度告急
↑ 这四行,以前全靠人脑连线。
前两格,企业信息化做了三十年。卡住所有人的,是第三格——从「知道」到「该干什么」的那一步。这一步没有本体就连不上,因为「该干什么」写在制度里,不写在数据库里。
华为在 §5.4 给出的这套框架,我们逐条在 FlyOntOS 里找到了落点。
| # | 规范 | 人话:它管什么 | FlyOntOS 里叫什么 | 落在哪一层 | 状态 |
|---|---|---|---|---|---|
| 1 | RDF | 给每个业务对象发一张身份证,机器才指得到它 | 数据→本体映射:ORM 表→类 / 列→数据属性 / 外键→对象属性;JSON-LD 模板映射;NER 实体抽取 | 数据集成层 → L1 | ✓ 已落地 |
| 2 | OWL | 全公司说同一个词,不许各说各的 | 本体建模模块三路生成(从零 / 逆向 / 智能抽取)+ 四层本体 L0 上位 · L1 领域 · L2 企业业务 · L3 项目 | L1 核心业务本体 | ✓ 已落地 |
| 3 | SKOS | 术语表:同义词、上下位词统一管理 | 浏览器内 OWL/SKOS 零安装编辑器 + 同义词消歧 + 跨系统实体合并 | L1 + L2 桥接层 | ✓ 已落地 |
| 4 | SWRL | 业务规则写成 if…then…,让机器自己推 | SWRL 规则库(公理 / 逻辑 / 约束 / 转换 / 业务 / 反应 六类)+ 混合推理引擎:Rete 规则 + OWL2 RL 本体 + 概率 + LLM 四引擎融合 | L1 + L3 | ✓ 已落地 |
| 5 | OWL-S | 把流程串起来,谁先谁后 | 未采用该标准。用 Skills 能力图谱 + 服务编排引擎自研实现:意图→能力匹配→依赖解析→调用排序→失败回退 | L3 能力本体 | ⚠ 自建实现 |
| 6 | ODRL | 谁能看、谁能改 | 未采用该标准。用 RBAC 三级权限:租户(Owner/Admin/Member)× 项目(Admin/Editor/Viewer)+ 数据隔离 | 平台安全层 | ⚠ 自建实现 |
| 7 | SPARQL | 怎么把数据问出来 | SPARQL Endpoint + 100+ onto_* MCP 工具 + NL2SPARQL/NL2SQL 自然语言查询 + 联邦查询 | L3 推理层 | ✓ 已落地 |
| +1 | 目标与评估 | 做完了,凭什么算好 | L6 Harness 质量本体:黄金集 40% 正例 / 30% 边界 / 20% 负例 / 10% 例外 + 100% 自动回归 + 五维验证体系 | L6 质量本体 | ★ 做得更狠 |
前 7 项是 W3C 既有标准,第 8 项是华为自己加的——这一笔才是全书的点睛。而恰恰是这第 8 项,华为只给了原则,我们把它做成了一整层产品。
怎么证明这套本体是对的?《本体驱动的AI数据管理》§5.4.8——明确任务及业务效果,支撑 AI 迭代优化。
100%
自动回归覆盖率
4 : 3 : 2 : 1
黄金集配比
7×24
本体漂移监测
用一条真实的物料短缺风险规则,看「人话 → SWRL → SPARQL」三步走完。
这句话写在《MRP 异常处置规程》里,全公司都认。
「只要某个物料计划需求大于 0,而当前库存小于计划需求,就判定为短缺风险,缺口记为需求减库存,并按缺口大小排序派单。」
机器可执行的公理,存在 L1,由推理引擎自动触发。
Material(?m) ∧ hasPlannedDemand(?m, ?d) ∧ greaterThan(?d, 0)
∧ hasCurrentStock(?m, ?s) ∧ lessThan(?s, ?d)
∧ subtract(?gap, ?d, ?s) ∧ greaterThan(?gap, 0)
→ ShortageRisk(?m) ∧ riskType(?m, "ShortageRisk") ∧ riskValue(?m, ?gap)或者直接用 onto_query 类 MCP 工具,一句自然语言也行。
SELECT ?materialCode ?riskValue WHERE {
?m a :Material ; :materialCode ?materialCode ; :hasRisk ?r .
?r a :RiskIndicator ; :riskValue ?riskValue .
} ORDER BY DESC(?riskValue)这三步做完,发生了什么质变?制度改了 → 只改 SWRL 那三行 → 全系统立刻生效,不用改一行 Java,不用等发版。这就是华为书里说的「事理」真正落地时的样子。
其中两项我们准备直接照抄——好方法不需要自己重新发明。
| 华为方法 | 它解决什么 | FlyOntOS 现状 | 判定 |
|---|---|---|---|
| 29 句话 | AI 先从显性知识提炼 29 句话 → 业务专家补隐性知识 → 三方审核(逻辑正确 / 描述清晰 / 内容完备) | 🟡 我们没有对应机制。CAR 的 Reason 步骤门槛更高,要直接写「胜任力问题」。这是我们要向华为学的一条。 | 准备引入 |
| 点线面 | 小切口场景 → 纵轴(领域级)整合 → 横轴(跨领域)整合 → 连接存量数据湖 | 🟡 我们目前直接铺 20+ 行业模板,是「面」。缺一条给客户用的渐进路径。 | 准备引入 |
| 双大模型协同校验 | 一个模型建、另一个模型审,互相挑错 | ✓ 已有:混合标注(规则 + LLM 双重校验)+ 推理编排器 | ✓ 已落地 |
| 跨系统语义对齐 | 不同系统的同一个东西,怎么认成同一个 | ✓ 强于书中所载:知识融合四步 + 五种冲突消解策略(投票 / 置信度加权 / 来源优先级 / 时效优先 / 权威优先)+ L2 桥接层 | ★ 更强 |
| 建用优复 | 本体资产的全生命周期运营 | ✓ 已有:本体版本管理 + 持续演化闭环(增量学习→本体更新→质量验证→版本发布) | ✓ 已落地 |
| 五环联动 | 见于序言与官方介绍,五个环节的具体内容尚未见公开说明,本页不做映射,待原书细节公开后补齐 | — | — |
华为分三格,我们分六层——多出来的三层,正是「企业数据治理」与「智能体运行」的分水岭。
| 层 | 层名 | 装什么 | 华为哪一格 |
|---|---|---|---|
| L1 | 核心业务本体 | 领域概念、属性、公理、约束、基础规则——规范上下文的词汇表 | 事实 + 事理 |
| L2 | 桥接层 | 跨系统等价类对齐:CRM 的「客户」= ERP 的「客商」?在此声明 | 事实 |
| L3 | 能力本体 | 技能注册与路由、流程编排——承接 Agent 的可执行动作 | 行动 |
| L4 | 上下文本体 | 动态子图映射、语义预算、Pin 钉住机制——治理「装不下、跑了、串了」 | 书里没有 |
| L5 | 记忆本体 | BDI 四维记忆:Belief(认知)· Desire(目标)· Intention(意图)· Experience(经验),分存 Neo4j / Redis / PgSQL / ES | 书里没有 |
| L6 | 质量本体 | 黄金集 + 100% 自动回归——本体的合格证 | 对应「+1」,但更工程化 |
L4 / L5 / L6 这三层,在「企业数据治理」视角下不是问题——数据是死的、查询是一次性的。但对天天在跑的 Agent,它们是生死线。这就是方法论与操作系统的差别。
不是批评。是分工——书负责「怎么建」,这三件事发生在建完之后。
同一个业务概念,跨 20 个系统能定义出 20 种含义。多轮对话一长,Agent 就串了。「事实」建对了,不代表「当下这一刻该用哪一份事实」是对的。
L4 上下文本体 · 语义预算 · 钉住机制
Agent 是天天在岗的员工,不是一次性查询。它得记得上周被驳回过什么、这个客户偏好什么、上次为什么改口径。
L5 记忆本体 · BDI + Experience 四维
制度每月改、业务每季变。靠人维护本体,必然烂尾。把本体直接做成强化学习的奖励源:SHACL → 负奖励,OWL DL → 一致性奖励,onto_drift → 修正信号。
RLVR 3.0 · 本体 × Agent × 强化学习
对标不是为了赢,是为了知道补哪里。
华为说的「目标与评估」,指的是业务效果——任务达没达成、业务指标好不好。我们 L6 做到的,是测试质量——准确率、召回率、回归通过率、P99。二者不等价。L5 里的 Desire 是 Agent 的目标,不是业务方的目标。
→ 正在补:把业务 KPI 也建成图实体,挂进 L6,让「达标」这件事可计算、可追溯。
我们 CAR 的 Reason 步骤要求直接写「胜任力问题」,对业务专家来说门槛偏高。华为用「先压成 29 句话,专家照着补充」把门槛降到了任何人都能开口。
→ 准备照做:把「29 句话」改造成需求抽取模板,接进 CAR 的第一步。
我们用 Skills 能力图谱替代 OWL-S、用 RBAC 替代 ODRL。工程上更好用(OWL-S 生态事实上已停滞,ODRL 在企业侧多落地为 RBAC/ABAC)。但若甲方明确要求对标华为的「7+1」标准清单,字面合规上我们不达标。
→ 提供 OWL-S / ODRL 导出映射器,做到「内部自建、外部可对齐」。
小切口进场,验证之后再扩张——这是华为的路子,也是我们 50+ 案例跑出来的路子。
交付物:一个能跑、能验、能追责的最小闭环。
交付物:领域内口径统一,跨系统不再打架。
交付物:本体不再需要人天天维护。
落地之后,具体变好什么。
1–7 天
从进场到最小闭环交付
95%+
推理准确率(50+ 案例均值)
100%
自动回归覆盖率
20+
落地行业
6 类
数据源开箱接入
100+
onto_* MCP 工具
指标为典型项目口径,实际以客户现场黄金集回归结果为准。
带着《本体驱动的AI数据管理》来也行,带着一本你们自己的制度汇编来也行。
已在用 Palantir / 千问或其他本体平台?我们可以接在其上,补齐 L4–L6 三层。
本页为飞速创软对公开出版物《本体驱动的AI数据管理》(机械工业出版社,2026 年 5 月)的学习与落地实践解读。书中篇章结构、7+1 规范项据公开目录整理,具体表述以原书为准。本页内容与华为技术有限公司无隶属、合作或背书关系。