在离散制造、化工等复杂工业场景里，我们总会被一套老生常谈的难题困住：ERP、MES、APS、Doris、存量业务数据库各自独立，术语口径不一、数据标准割裂；大模型 Agent 能力强却容易脱离业务约束，随意调用接口、输出不符合 BOM/ECN 规范的结果；业务规则散落在代码、文档、不同人的经验里，变更无追溯、复用成本极高。
单纯依靠 RAG 向量检索只能解决文本问答，无法承载严谨的业务约束与关系推导；传统 OWL 本体工具偏重学术建模，工程落地能力薄弱，很难对接工厂真实业务链路。
OntoL，不是单一的本体编辑器，而是一套面向工业场景完整闭环的语义本体产品矩阵，现已迭代至 7.0 版本。以 OntoL Manage 推理内核为中枢，搭配 OntoL Bank、OntoL Data 等可插拔组件，从模型资产管理、多源数据语义接入、本体建模调试，到规则推理校验、智能体动作契约管控，一站式搭建企业专属语义孪生底座，支撑私有化、离线化的工业 AI 落地。
OntoL Manage｜语义推理中枢，整个体系的 "大脑"
OntoL Manage 是整套套件的核心引擎，也是我们最核心的底座，原生无 JVM 架构，基于 Docker 轻量化部署，支持水平扩缩容。 严格遵循 TBox 与 ABox 分离架构，把业务公理、约束规则和业务实例数据解耦，从底层规避大模型篡改业务规范的风险。7.0 版本重构公理编译器，原生支持 SHACL 约束子集，编译期即可完成物料、BOM、工单的合规校验；内置自研 DSL 语言，用来定义业务关系、推导逻辑与基数约束。 依托联邦查询网关，既可把热数据加载至 Memgraph 做高速图推理，也支持冷热分离，冷实例下沉 Doris 存储；支持跨数据源语义 JOIN，在不强制迁移存量业务数据的前提下完成统一语义查询。它不追求全量 OWL DL 学术推理能力，精准聚焦制造业物料、BOM、ECN、生产排程、设备台账这类工程规则，兼顾推理性能与落地稳定性，推理链路全日志可审计、可溯源，满足工业场景合规要求。
OntoL Bank｜本体资产银行，企业业务语义的 "资产库"
很多项目反复造轮子：不同产线、不同分厂，重复梳理同一套物料本体、设备本体、BOM 规范。OntoL Bank 就是用来解决本体资产复用与版本治理。 Bank 专门托管 TBox 领域本体包，存储类、关系、公理、SHACL 约束等语义模型，不存储工单、物料明细这类业务实例。支持本体包版本管理、分支并行开发、变更比对、灰度发布与依赖管理。 研发侧可以迭代新版本体，生产环境锁定稳定版本；当 ECN 变更、业务模型调整时，自动分析变更影响范围，输出受影响规则、Agent、报表清单。一套成熟的化工物料本体、离散制造 BOM 本体，一次沉淀，全项目复用，大幅降低多项目本体建模成本，统一集团层面业务语义标准。
OntoL Data｜多源语义接入管道，业务数据通往本体的 "转换器"
异构数据杂乱无章，是本体落地最大的门槛。OntoL Data 作为接入治理模块，承担 ABox 实例的采集、清洗、语义映射工作。 内置丰富连接器，对接 MySQL、Doris、MQ、REST API、Excel、业务中台，支持元数据自动采集、数据血缘追踪、增量同步；配合 7.0 联邦查询能力，可配置虚拟 ABox 映射。无需将全量业务数据灌入图数据库，原有 ERP、MES 系统不用改造，直接在本体层完成语义对齐。 它提供半自动本体学习能力，从数据库 Schema、接口文档中辅助生成候选本体结构，降低本体工程师梳理原始数据的工作量，源源不断把业务世界的数据，翻译成 OntoL Manage 可以识别的语义实例。
我们适合谁？
适合离散制造、精细化工等行业，拥有异构 ERP/MES/Doris 系统，希望搭建私有化语义底座、落地可控工业智能体的团队；适合不想采购昂贵商业图本体平台，偏好开源、离线私有化部署、自主可控的技术团队。 OntoL 不做花哨的通用问答，不追求学术层面完备的描述逻辑，所有设计都围绕工业真实痛点：统一语义口径、固化业务规则、管控智能体行为、沉淀可复用业务资产。
当数据不再是孤岛，当规则不再散落在代码里，当 AI 智能体读懂企业的业务标准，工业智能化才能真正落地。 OntoL 7.0 本体套件 ------ 用语义本体，搭建工业智能的可信底座。