企业 AI 跨过试点阶段后，真正的难题才浮现：业务语义与策略被反复建设，AI 决策难以稳定复现，合规治理缺少统一抓手。Oracle AI 数据平台（AIDP）的定位是面向企业 AI 的"上下文系统"，以企业数据资产、业务本体层与语义推理引擎为核心，为模型与智能体提供统一的业务底座。本文围绕 TK. Anand 介绍的 AIDP，重点梳理其中的本体构建。
01 | 规模化 AI 为什么需要上下文系统
多业务线部署 AI 时，企业集中暴露三类难题：决策可信，输出结果难以稳定复现；合规治理，缺乏统一的安全与合规管控；重复建设，试点阶段靠人工把业务上下文写进提示词，方案一多，业务语义与策略就被反复建设，维护成本持续放大。
因此，规模化 AI 需要一套统一的上下文系统，涵盖业务实体、关系、策略、流程与管控，消除语义与策略的重复建设，支撑运营监控、成本统计与安全管控，并复用现有业务系统中已沉淀的业务上下文，无需迁移复制数据。
02 | AIDP 的定位与三大核心组件
AIDP 复用现有 Oracle 应用、数据库、分析工具的业务沉淀，也可对接非 Oracle 系统；支持数据原地处理，内置监控与治理能力，并提供数据接入、数据工程、语义建模等开放工具。
构建 AI 业务上下文依赖三大核心组件，它们与上层智能体、分析场景的关系如下：
flowchart TB subgraph Context"AI 业务上下文" D"企业数据资产\
结构化 / 非结构化 / 实时 / 历史" O"业务本体层\
实体 · 关系 · 规则 · 动作" R"语义推理引擎\
按需检索 · 生成执行计划" end D --> O O --> R R --> A"智能体与分析场景" R --> Q"联邦查询 / 业务规则 / ML 模型"
① 企业数据资产
支持结构化、非结构化、实时与历史数据；对可直连的数据源支持原地访问，对需要入湖的数据支持零 ETL 接入（具体支持范围以所用版本官方文档为准），并兼容 Delta Lake、Iceberg；数据目录提供联邦访问、权限与血缘能力。
② 业务本体层
由 AI 自动扫描元数据与文档生成候选本体，经业务专家审核并编辑后生效，本体随企业业务持续迭代。
③ 语义推理引擎
不将全部本体灌入大模型提示词，而是按需检索本体与数据生成执行计划，执行联邦查询、运行业务规则、调用 ML 模型，在准确度与成本之间取得平衡。
规则与动作（rules & actions）是本体层落到执行侧的关键载体：
03 | 本体构建：从自动生成到专家复核
以虚构快餐连锁为案例，本体构建遵循四步：选择起点，可选用零售、医疗、金融预制本体；AI 自动推理，扫描多业务系统元数据与业务文档，推理业务概念、关系与指标；专家复核，业务专家完善本体；授权复用，供智能体与分析场景复用。
flowchart LR S"选择起点\
零售 / 医疗 / 金融预制本体" --> AI"AI 自动推理\
扫描元数据与业务文档" AI --> E"专家复核\
业务专家完善本体" E --> U"授权复用\
智能体与分析场景" U -.->|业务持续迭代| E
本体不止是数据目录，它完整记录业务实体之间的业务规则与动作，是智能体与分析可共同复用的业务语义资产。
04 | 智能体的开发、消费与治理
开发侧，AIDP 适配开发者常用 IDE 与代码智能体，也提供低代码可视化构建器；借助 AIDP 插件，代码工具可访问平台本体、数据目录与算力资产，开发完成后可自动部署注册；对业务规则强制要求人工审批的环节，审批通过后才允许上线。
业务分析师可用 Deep Insight Agents，无需代码，仅配置即可创建深度洞察智能体，支持跨域分析、调研、预测与情景规划，输出可溯源证据。
消费侧，智能体登记在 AI 注册表，支持 MCP、A2A 接口，可嵌入自定义 SaaS 应用或被外部 AI 工具调用；Agent Hub 作为企业专属 AI 门户，识别意图、编排多个智能体、跨流程传递上下文。
治理侧，AI 注册表记录模型、智能体与工具；审计日志记录调用与数据访问；治理总览面板查看所有者、健康度、质量、使用量与成本；此外还有血缘追溯、验证沙箱、政策管控、持续监控与能力去重。
05 | 客户实践与新能力
都柏林大学 UCD 运营上百个临床试验，基于 AIDP 搭建数据基础设施，手工构建临床试验完整流程本体并结合医疗标准本体，目前处于探索患者与临床试验智能匹配的阶段，尚未作为成熟生产能力对外承诺。客户重点看重 AI 辅助构建本体与语义推理引擎的能力，以降低本体维护成本。
本次发布的新能力包括：业务本体、语义推理引擎、Deep Insight Agents、Agent Hub、AI 治理管控体验与 AIDP 创新服务。
对企业而言，业务上下文是规模化 AI 落地的重要基础之一；AIDP 尝试将大模型能力与企业自有领域知识结合，其实际效果仍取决于数据质量、治理投入与业务适配程度。
关注我，和AI一起成长~