从0到1自研企业AI智能中台：基于本体论+Agent的实践方案

前言：为什么我要写这篇文章

  最近在规划企业AI中台时，我面临一个选择：是用Dify、LangChain等开源框架快速搭建，还是自研一套更贴合业务的技术方案？

经过深入调研和思考，我选择了一条看起来更"笨"但长期更灵活的路------基于Palantir本体论思想，自研一套本体驱动的Agent智能中台。

本文不是广告，也不是理论空谈，而是一份可以直接落地的技术方案，包含架构设计、目录结构、核心代码和落地路线图。希望能给同样在探索企业AI落地的同行一些参考。

---

一、业务背景与核心诉求

我们公司已有ERP、MES、PLM等成熟系统，但存在一个典型问题：数据分散，查询困难。

业务人员想查一个"本月产线3的良率为什么下降"，需要在三个系统间来回切换，手动导出数据、用Excel关联分析，耗时半天。

我们的目标是：搭建一个统一的Web入口，用户通过自然语言对话，AI自动完成以下四件事：

1. 智能检索（跨系统找数据）
2. 统计分析（自动汇总计算）
3. 根因分析（找出问题原因）
4. 行动建议（给出可执行方案）

核心理念：不是预设工作流（写死A→B→C），而是基于本体论（Ontology）配置业务知识，让AI自主决策该查什么、怎么查、用什么API。

---

二、为什么放弃纯工作流编排方案？

一开始我考虑过Dify这类工作流编排工具，但很快意识到一个问题：

对比项	工作流编排	本体论驱动（本文方案）
路径确定方式	人工预设每一步	AI实时推理决策
遇到未覆盖问题	报错或答不上来	AI尝试组合现有工具解决
新增业务场景	新增一条工作流分支	只需更新本体定义
维护成本	随场景增多线性增长	随本体完善趋于稳定
是否"写死"	✅ 本质是If-Else升级版	❌ 真正的智能体

结论：工作流编排适合流程固定、场景有限的RPA类需求，而我们想要的，是真正的AI智能体。

---

三、整体架构设计

3.1 四层架构

┌─────────────────────────────────────────────────────────┐
│                    Web 对话入口                          │
│              （Streamlit / FastAPI + HTML）              │
├─────────────────────────────────────────────────────────┤
│                  Agent 自主决策层                        │
│           （LangChain ReAct Agent + LLM）               │
│         思考 → 选择工具 → 调用API → 分析 → 建议          │
├─────────────────────────────────────────────────────────┤
│                   本体论语义层                           │
│     skill.md + references/*.md（业务概念地图）           │
│   实体定义 | 属性 | 关联关系 | API清单 | 权限 | 规则     │
├─────────────────────────────────────────────────────────┤
│                   数据与API层                           │
│        ERP API  │  MES API  │  PLM API  │  其他系统     │
└─────────────────────────────────────────────────────────┘

3.2 核心设计理念

把业务知识从代码中剥离出来 ，放到本体文件中。业务人员可以直接阅读和修改skill.md和references/*.md，而不需要懂代码。

Agent启动时自动加载这些本体文件，就像给AI配备了一张完整的业务地图。用户提问后，AI自己在地图上找路、决定调用哪些API、以什么顺序组合。

---

四、目录结构与文件规范

/ai-agent-platform
├── /agent_core
│   ├── agent.py              # 主Agent逻辑（ReAct循环）
│   ├── tool_retriever.py     # 根据问题检索相关工具
│   └── llm_client.py         # LLM客户端封装
│
├── /web_ui
│   ├── app.py                # FastAPI服务
│   └── templates/            # 前端页面
│
├── /ontology                  # ⭐ 核心：本体定义目录
│   ├── skill.md              # 系统总览（给Agent的"目录"）
│   └── /references           
│       ├── erp.md            # ERP实体、属性、API
│       ├── mes.md            # MES实体、属性、API
│       ├── plm.md            # PLM实体、属性、API
│       └── cross_system.md   # 跨系统关联规则
│
└── /api_proxy                # 统一API网关（鉴权、路由）

---

五、核心文件内容示例

5.1 skill.md ------ 系统总览

# 企业AI智能中台 - 本体总览

## 系统清单
| 系统 | 简称 | 核心职责 |
|------|------|----------|
| ERP  | 企业资源计划 | 订单、库存、采购、财务 |
| MES  | 制造执行系统 | 工单、良率、设备状态、产线 |
| PLM  | 产品生命周期管理 | BOM、物料规格、设计变更 |

## 核心业务实体（跨系统）
- **物料（Material）**：ERP有库存，PLM有规格，MES有消耗
- **工单（WorkOrder）**：ERP下达，MES执行，PLM关联BOM
- **设备（Equipment）**：MES采集状态，PLM记录维护

## 典型分析场景
- "本月良率下降原因" → MES良率 + ERP物料批次 + PLM设备维护
- "A物料够不够生产" → ERP库存 + MES消耗速率 + PLM BOM用量

5.2 references/erp.md ------ 详细本体定义

# ERP系统 - 本体定义

## 实体：Material（物料）
- **属性**：
  - materialCode（string，唯一标识）
  - name（string）
  - safetyStock（float，安全库存）
- **链接**：
  - consumedBy → MES.WorkOrder
  - belongsToBOM → PLM.BOM
- **权限**：所有用户可查库存，仅采购可修改

## API列表
| API名称 | 端点 | 方法 | 参数 | 返回 |
|---------|------|------|------|------|
| 查询库存 | /api/erp/inventory | GET | materialCode | {quantity, warehouse} |
| 查询采购单 | /api/erp/purchase | GET | supplier? status? | [PurchaseOrder] |

## 业务规则
- 安全库存预警：inventory < safetyStock → 建议补货

5.3 references/cross_system.md ------ 跨系统关联

# 跨系统关联规则

## 实体映射
| 业务概念 | ERP | MES | PLM |
|---------|-----|-----|-----|
| 物料编码 | materialCode | materialId | partNumber |

## 关联查询规则
- 查询工单物料消耗：MES.WorkOrder.materialId → ERP.Material.materialCode → 查库存
- BOM展开：ERP.Material → PLM.BOM.partNumber → 子物料列表

---

六、核心代码实现

6.1 Agent核心逻辑（agent.py）

import os
import json
from langchain.agents import create_react_agent, AgentExecutor
from langchain.tools import Tool
from langchain_openai import ChatOpenAI
from langchain.prompts import PromptTemplate
from fastapi import FastAPI, HTTPException
from pydantic import BaseModel

# ============ 1. 加载本体文件 ============
def load_ontology():
    """加载 skill.md 和所有 references/*.md"""
    with open("ontology/skill.md", "r", encoding="utf-8") as f:
        skill_content = f.read()
    
    refs = {}
    ref_dir = "ontology/references"
    for file in os.listdir(ref_dir):
        if file.endswith(".md"):
            with open(f"{ref_dir}/{file}", "r", encoding="utf-8") as f:
                refs[file] = f.read()
    return skill_content, refs

# ============ 2. 从本体动态生成工具 ============
def build_tools_from_ontology():
    """解析 references/*.md 中的 API列表，自动生成 LangChain Tools"""
    tools = []
    # 这里简化演示，实际需解析Markdown中的API表格
    # 真实场景：遍历所有reference文件，提取API定义
    # 然后为每个API生成一个Tool函数
    
    # 示例：手动创建一个库存查询Tool
    def query_inventory(material_code: str) -> str:
        """查询物料库存，参数material_code为物料编码"""
        # 实际调用ERP API
        response = requests.get(
            f"http://erp.internal/api/inventory?code={material_code}",
            headers={"Authorization": os.getenv("ERP_TOKEN")}
        )
        return response.text
    
    tools.append(Tool(
        name="query_inventory",
        func=query_inventory,
        description="查询物料库存，输入物料编码，返回库存数量和仓库位置"
    ))
    
    # 更多工具通过解析本体文件自动生成...
    return tools

# ============ 3. 创建Agent ============
def create_agent():
    skill_content, refs = load_ontology()
    llm = ChatOpenAI(
        model="deepseek-chat",  # 或 gpt-4
        api_key=os.getenv("LLM_API_KEY"),
        base_url=os.getenv("LLM_BASE_URL")
    )
    tools = build_tools_from_ontology()
    
    # 系统提示词：将skill.md作为业务上下文注入
    system_prompt = f"""
{skill_content}

你是一个企业智能助手，拥有以下工具：
{{tools}}

请遵循ReAct模式（思考→行动→观察）：
1. Thought：理解用户问题，确定需要哪些数据
2. Action：选择并调用合适的工具
3. Observation：分析工具返回的结果
4. 重复1-3直到信息充足
5. 最终给出结论和行动建议

用户权限已在API调用时自动校验，你无需担心。
"""
    
    prompt = PromptTemplate.from_template(system_prompt)
    agent = create_react_agent(llm, tools, prompt)
    return AgentExecutor(agent=agent, tools=tools, verbose=True)

# ============ 4. Web接口 ============
app = FastAPI(title="AI智能中台")
agent = create_agent()

class ChatRequest(BaseModel):
    question: str
    user_id: str

@app.post("/chat")
def chat(request: ChatRequest):
    try:
        # 注入用户身份（用于后续权限控制）
        response = agent.invoke({
            "input": request.question,
            "user_id": request.user_id
        })
        return {
            "code": 0,
            "data": {
                "answer": response["output"],
                "steps": response.get("intermediate_steps", [])
            }
        }
    except Exception as e:
        return {"code": -1, "message": str(e)}

# ============ 5. 启动服务 ============
if __name__ == "__main__":
    import uvicorn
    uvicorn.run(app, host="0.0.0.0", port=8080)

6.2 前端页面（templates/chat.html）

<!DOCTYPE html>
<html>
<head>
    <meta charset="UTF-8">
    <title>AI智能中台</title>
    <style>
        body { font-family: Arial; max-width: 800px; margin: 0 auto; padding: 20px; }
        #chat-box { height: 500px; overflow-y: auto; border: 1px solid #ddd; padding: 15px; border-radius: 8px; }
        .user { text-align: right; color: #1890ff; margin: 10px 0; }
        .assistant { text-align: left; color: #333; margin: 10px 0; background: #f5f5f5; padding: 10px; border-radius: 8px; }
        #input-area { display: flex; margin-top: 15px; gap: 10px; }
        #question { flex: 1; padding: 12px; border: 1px solid #ddd; border-radius: 8px; font-size: 16px; }
        #send { padding: 12px 30px; background: #1890ff; color: white; border: none; border-radius: 8px; cursor: pointer; }
        .loading { color: #999; font-style: italic; }
    </style>
</head>
<body>
    <h1>🏢 AI智能中台</h1>
    <p style="color:#666;">用自然语言提问，AI自动跨系统检索、分析、给出建议</p>
    
    <div id="chat-box"></div>
    
    <div id="input-area">
        <input type="text" id="question" placeholder="例如：本月产线3的良率为什么下降了？">
        <button id="send" onclick="sendQuestion()">发送</button>
    </div>

    <script>
        async function sendQuestion() {
            const input = document.getElementById('question');
            const chatBox = document.getElementById('chat-box');
            const question = input.value.trim();
            if (!question) return;
            
            // 显示用户消息
            chatBox.innerHTML += `<div class="user">👤 ${question}</div>`;
            input.value = '';
            
            // 显示加载状态
            const loadingId = Date.now();
            chatBox.innerHTML += `<div class="assistant loading" id="loading-${loadingId}">🤔 思考中...</div>`;
            chatBox.scrollTop = chatBox.scrollHeight;
            
            try {
                const resp = await fetch('/chat', {
                    method: 'POST',
                    headers: { 'Content-Type': 'application/json' },
                    body: JSON.stringify({ question, user_id: 'demo_user' })
                });
                const result = await resp.json();
                
                // 移除加载状态
                document.getElementById(`loading-${loadingId}`).remove();
                
                if (result.code === 0) {
                    chatBox.innerHTML += `<div class="assistant">🤖 ${result.data.answer}</div>`;
                } else {
                    chatBox.innerHTML += `<div class="assistant">❌ 错误：${result.message}</div>`;
                }
            } catch (e) {
                document.getElementById(`loading-${loadingId}`).remove();
                chatBox.innerHTML += `<div class="assistant">❌ 网络错误，请稍后重试</div>`;
            }
            chatBox.scrollTop = chatBox.scrollHeight;
        }
        
        document.getElementById('question').addEventListener('keydown', (e) => {
            if (e.key === 'Enter') sendQuestion();
        });
    </script>
</body>
</html>

---

七、落地路线图（5周计划）

阶段	时间	目标	交付物
Demo验证	第1周	接ERP 2-3个API，跑通"问库存→调API→回答"	可演示的对话原型
本体完善	第2周	补全ERP/MES/PLM的references文件	完整本体定义
Agent优化	第3周	调整Prompt，加入错误处理、重试机制	稳定版Agent
权限+安全	第4周	接入企业SSO，API调用注入用户身份	安全合规版本
上线推广	第5周	业务试用，迭代本体定义	生产可用版本

---

八、关键注意事项

8.1 本体质量决定Agent上限

本体文件写得越清楚，Agent越聪明。建议拉着业务人员（生产主管、采购经理）一起写，他们用业务语言描述"怎么看数据"，你负责转译成本体格式。

8.2 API规范化是前置条件

各系统API必须有清晰文档（至少是Swagger/OpenAPI格式），参数命名统一。否则Agent无法理解API的用途和参数含义。

8.3 数据不迁移，只做联邦查询

ERP/MES/PLM的数据留在原系统，通过API或只读视图暴露，避免数据迁移风险。

8.4 分阶段开放能力

• 第一阶段：只读（检索+统计）
• 第二阶段：分析建议
• 第三阶段：自动执行（需要严格审批流）

---

九、方案优势总结

对比维度	商业套件（如Palantir）	开源框架（如Dify）	本方案
成本	极高（千万级）	免费	免费（仅LLM API费用）
灵活性	受限于产品功能	受限于框架设计	完全自主控制
本体驱动	✅ 原生支持	❌ 需二次开发	✅ 自主实现
业务人员可维护	✅ 图形化编辑	❌ 需改代码	✅ 编辑Markdown即可
数据主权	数据上云	可私有化	完全本地私有

---

十、总结

本文分享的方案，本质上是用AI编程工具（Cursor）+ 本体论思想 + Agent模式，自研一套企业级AI智能中台。

核心亮点在于：

1. 把业务知识从代码中剥离到本体文件，业务人员可直接维护
2. Agent自主决策而非预设工作流，真正实现智能化
3. 完全开源私有化部署，过程数据不出企业