Ontology / AI / Palantir

本体论正在成为 AI 从“会说”走向“会行动”的语义操作层

这不是一份普通资料清单，而是一组可被 agent 调用的研究型知识库：论文、书籍、标准、Palantir 官方文档、商业案例与批判材料被分桶、筛选、分片、抽槽并连接成对象关系图谱。

检索资料 查看图谱 核心书目

Core Thesis

核心判断

1. 本体论不是分类表

高质量 ontology 是一组显式语义承诺：对象是什么、如何识别、能发生什么关系、哪些约束必须成立、哪些行动被允许。

2. LLM 降低建模成本，也放大语义漂移

LLM 可以辅助抽取概念、关系和查询，但如果没有约束、来源、验证和版本治理，生成的“知识”会迅速变成不可维护的文本幻觉。

3. Palantir 的重点在“可执行 ontology”

公开资料显示，Foundry Ontology 把对象、属性、链接、函数、动作、权限、日志和评估放到同一操作层，让 AI 通过受控工具进入企业流程。

Longform Article

博客正文工作稿

Article Argument

一篇 Nature 风格文章可以围绕四条主线展开

主论点

当 AI 从文本生成进入企业、科研、公共服务和国防等高后果场景，核心瓶颈不再只是模型能力，而是世界如何被机器稳定地表示、约束、检索、审计并转化为行动。本体论、知识图谱和语义层共同构成这条“语义操作层”。

Palantir 的公开实践提供了一个清晰的产业样本：ontology 不只是数据目录，而是对象、关系、动作、权限、函数、日志和评估的执行界面。它把 LLM 的自然语言能力接入企业状态和流程，同时暴露出治理、问责和公共信任问题。

从知识表示看

ontology 把“词”变成可计算的概念承诺，把“相关文本”变成可验证的关系、约束和来源。

从智能体看

agent 需要的不只是上下文窗口，而是可维护的外部记忆、工具语义、权限边界和行动日志。

从治理看

同一套对象模型既能提高组织行动能力，也会集中权力、固化分类并改变公共部门的问责结构。

Object Relation Graph

对象关系图谱

图中的节点是概念实体，边来自抽槽规则和来源支持关系。它服务于精准召回：从 `palantir_ontology` 能走到 `governed_action`，从 `rag` 能走到 `llm` 与 `knowledge_graph`。

基础 ontology AI / RAG Palantir 实践

Palantir Case

Palantir 如何把 ontology 变成 AI 操作层

数据与模型
对象 / 属性 / 链接
动作 / 函数 / 权限
AIP Agent / Logic / Evals
受控读写与审计

证据分级

技术具体：Foundry Ontology、Action edits、OSDK、AIP、Ontology MCP、Evals、Observability 等官方文档。

合理推断：Ontology 作为 agent 的语义记忆、工具注册表和企业状态/行动空间。

商业叙事：ROI、转型速度、AI Mesh、运营革命等应单独存放，只提取可复核观点。

Literature Map

论文与书籍路线

本体论基础

Gruber、Guarino、Uschold & Gruninger、BFO、DOLCE、SUMO、Cyc、OntoClean。

语义网与标准

RDF、OWL、SPARQL、SHACL、SKOS、Common Logic，提供可检验的图数据、约束和推理层。

知识图谱与 AI

KG survey、KG embeddings、KG refinement、ontology learning、entity alignment、GraphRAG。

LLM + KG + RAG

LLM 负责解释和生成，ontology/KG 负责语义边界、检索、约束、来源和审计。

科学 ontology 基础设施

Gene Ontology、OBO、HPO、Monarch 和 DeepGO-SE 说明 ontology 已经是科学 AI 的机器可读底座。

Article Synthesis

文章路线与证据矩阵

投稿主线

文章可以围绕“ontology 正在成为 agentic AI 的语义操作层”展开：它连接概念承诺、科学知识组织、知识图谱、检索、验证、来源、权限、工具调用、行动和问责。科学 ontology 生态证明共享语义可以长期服务机器推理；Palantir 是最具体的产业案例，但不是唯一证据，也不能替代独立评估。

下方证据路线把论点、证据、风险和检索概念绑定在一起，方便写作和其他 agent 精准召回。

Longform draft zh Longform references Article outline Evidence matrix Source routes Agent KB pack Nature pitch Nature submission pack Completion audit Deployment notes

Evidence Method

证据分级与索引方法

资料被分为学术论文、书籍、技术标准、Palantir 资料、商业资料和综合笔记。论文、标准和官方文档优先进入核心层；商业材料单独隔离，只用于实现模式、市场叙事和产业采用信号。

每条来源进入知识库后会生成检索分片、关键声明、概念实体和关系边。索引不是展示用装饰，而是让 agent 能够按概念、来源、声明和关系精准召回。

Commercial Material

商业资料隔离区

商业文章和厂商文档只作为实现模式、采用信号、产品叙事和风险提示使用，不作为学术结论的直接证据。这里保留 Stardog、Neo4j、AWS Neptune、Ontotext、TopQuadrant、PoolParty、data.world、Cambridge Semantics 等材料。

Search Index

资料检索

Research Exports

可复用资料导出

Bibliography JSON 核心与候选来源的结构化书目 Core Sources Markdown 适合写作和人工复核的核心资料清单 BibTeX 投稿草稿和文献管理器可导入格式 Evidence Matrix 文章路线对应的论点、来源和检索概念 Longform Draft ZH 可直接改写为博客正文或投稿提案的中文长文工作稿 Longform References 正文证据锚点生成的参考文献清单和来源分桶 Article Outline 面向 Nature 风格文章的中文写作骨架 Source Routes 给其他 agent 调用的证据路线索引 Agent KB Pack 机器可读的入口清单、检索协议、证据边界和路线索引 Nature Submission Pack 投稿标题、200词摘要、证据表和优先参考文献 Completion Audit 原始需求覆盖、剩余缺口和关键文件索引 Deployment Notes 发布到 renxuai.com/ontology/ 前的文件清单和复核要点

Agent-Ready KB

可调用知识库

本地索引

其他 agent 可读取 `research/AGENT_GUIDE.md`，再按 chunk、source、claim、concept 和 relation 调用资料。

python scripts\search_kb.py --concept palantir_ontology
python scripts\search_kb.py "GraphRAG" --limit 5
python scripts\search_kb.py "ontology learning" --claims