Agentic 本体(Agentic Ontology)是围绕 AI Agent 的目标、意图、任务、能力、工具、规则、状态和结果建立的结构化语义体系。它不仅描述企业中有哪些业务对象,还描述 Agent 可以围绕这些对象执行什么任务、调用什么能力、遵守什么约束以及如何记录结果。
Agentic 本体(Agentic Ontology)是围绕 AI Agent 的目标、意图、任务、能力、Skill、工具、规则、执行状态和结果建立的结构化语义体系,用于把“企业是什么”和“Agent 可以做什么”连接起来,使 Agent 能够在统一、可治理的上下文中理解任务、规划行动并执行工作。
作者:Aloudata 团队 | 发布日期:2026-11-19 | 最新更新日期:2026-11-20 | 阅读时间:12 分钟
Agentic 本体可以理解为面向 AI Agent 设计的一类本体模型。传统企业本体更关注客户、商品、订单、组织等业务对象及其关系,Agentic 本体则进一步关注 Agent 在这些业务对象之上如何完成工作。
例如,一个数据分析 Agent 接收到“分析华东区域销售额下降原因”的任务时,仅仅知道“华东”“销售额”“门店”“商品”分别是什么还不够。它还需要理解当前分析目标是什么,可以使用哪些指标和数据,可以调用哪些工具,什么条件下需要继续下钻,哪些数据受到权限限制,以及最终应该生成什么结果。
因此,Agentic 本体所描述的不只是静态业务知识,而是一套与 Agent 行动相关的语义结构。目标、意图、任务、Skill、工具、策略、权限、结果和反馈,都可以成为其中的重要对象。
目前行业对 Agentic Ontology 的具体定义仍在演进。例如 Skan AI 的 Agentic Ontology of Work 将企业工作建模为 Objective、Intent、Plan、Task、Action、Actor、Skill、Result、Outcome 等相互关联的概念,并进一步纳入自治程度、审批、策略和反馈等治理信息。Databricks 2026 年推出的 Genie Ontology 强调由 Agent 从团队日常工作中学习企业上下文、由人进行治理,让不同 Agent 共享同一套业务理解。
从企业 Data Agent 角度看,Agentic 本体可以被理解为从“业务语义”继续向“执行语义”延伸的一层能力。它不仅回答“客户、订单和销售额是什么”,还要回答“面对某个销售问题,Agent 可以调用什么 Skill、使用哪些指标、遵守哪些权限规则,以及如何判断任务已经完成”。
企业 Data Agent 的核心挑战已经不只是理解用户问题,而是能否围绕目标稳定地完成多步骤任务。用户提出“为什么销售额下降”之后,Agent 可能需要先获取销售额趋势,再分析区域贡献,然后下钻门店、商品和渠道,最后进行结果校验和结论组织。
如果这些过程完全依赖模型临时推理,Agent 每次执行都可能选择不同路径,也可能错误调用工具、遗漏约束或过早得出结论。
Agentic 本体可以把目标、任务、能力和工具之间的关系显式化。例如“经营归因”这一任务可以关联可用的趋势分析、维度拆解和贡献度分析 Skill;某些指标需要通过统一指标服务查询;某些高成本工具只有在必要时才能调用。Agent 由此获得的不只是知识,而是更加结构化的行动上下文。
这对于 Agentic Harness 尤其重要。Harness 负责 Agent 的规划、调度、执行、校验和治理,而 Agentic 本体可以为 Harness 提供关于任务、工具、能力、约束和结果之间关系的语义基础。二者结合后,Agent 的执行过程可以从临时自由推理逐渐转向结构化、可控的自主执行。
传统数据治理主要关注数据是否准确、是否有权限、来自哪里以及如何使用,但当 Agent 成为新的数据消费者和执行主体之后,治理对象开始进一步扩展。
企业不仅需要治理“什么数据可以访问”,还需要治理“什么 Agent 可以访问”“在什么任务中访问”“可以调用什么工具”“能够进行什么操作”“执行结果如何被记录”。
Agentic 本体可以把这些治理关系结构化。例如某类 Agent 可以读取财务汇总指标但不能访问明细凭证,某个分析 Skill 只能作用于特定业务域,某类工具调用需要审批,某个结果必须保留证据来源。
这种治理方式把传统的数据权限进一步扩展为“Agent × 任务 × 数据 × 工具 × 策略”的组合治理。
随着企业部署越来越多 Agent,如果每个 Agent 都分别维护自己的数据、工具和规则,就容易形成新的 Agent 语义孤岛。Agentic 本体提供共享的概念和关系,可以让多个 Agent 在统一的数据治理和业务语义体系中运行。
传统数据分析强调指标、维度和查询逻辑,而 Agentic 数据分析进一步引入了任务规划、工具调用和连续执行。
例如用户提出“分析毛利下降原因”,这并不是一次查询,而是一个分析任务。系统需要判断应该先看毛利趋势,再分析销售收入和成本贡献,随后继续拆解渠道、商品或区域,直到找到具有解释力的结果。
Agentic 本体可以将“分析任务”本身结构化,使系统理解某一类分析任务可以有哪些步骤、调用哪些能力,以及每一步产生的结果如何被下一步使用。
这意味着数据分析从“数据模型 + 指标模型”进一步增加了“任务模型”。企业不仅定义销售额如何计算,也可以定义销售分析可以调用哪些 Skill、工具和数据能力。
对于 Data Agent 来说,这种结构使数据分析从单轮问数升级为可以持续规划、执行和校验的任务过程。
| 概念 | 核心关注 | 典型对象 | 主要作用 | 与 Agentic 本体的关系 |
|---|---|---|---|---|
| Agentic 本体 | Agent 的目标、任务、能力、工具、规则与结果 | Goal、Intent、Task、Skill、Tool、Policy、Result | 让 Agent 理解“能做什么、如何做、受什么约束” | 核心执行语义模型 |
| 企业本体 | 企业业务对象和跨域关系 | 客户、商品、订单、组织、合同 | 建立企业级业务语义 | 提供 Agent 要理解的业务世界 |
| Agent Context | Agent 当前可使用的上下文信息 | 数据、知识、Memory、历史任务 | 支撑当前推理和决策 | Agentic 本体可组织和解释 Context |
| Agent Workflow | 任务执行步骤和流程 | 节点、条件、动作、顺序 | 约束具体执行流程 | Workflow 是执行实例,本体定义其语义对象 |
| Agent Harness | Agent 的规划、调度、执行与控制机制 | Planner、Tool、Memory、Guardrail | 让 Agent 稳定运行 | Agentic 本体为 Harness 提供语义和规则基础 |
| 语义层 | 指标、维度和业务计算规则 | 指标、维度、模型 | 保证数据计算一致 | 为 Agentic 本体提供可执行的数据分析能力 |
Agentic 本体与传统企业本体最大的区别,在于前者进一步加入了行动和执行语义。企业本体告诉 Agent 企业里有什么,Agentic 本体进一步告诉 Agent 面对这些业务对象可以完成什么任务、调用什么能力以及受到什么规则约束。
它也不能简单等同于 Workflow 或 Harness。Workflow 描述某个具体流程如何执行,Harness 是承载 Agent 运行的技术机制,而 Agentic 本体更像二者背后的语义描述层,用来定义目标、任务、Skill、工具、策略和结果之间是什么关系。
Aloudata 认为,Agentic 本体更适合定位为连接企业数据语义与 Agentic Harness 执行体系的中间语义层,而不是重新复制企业本体、数据本体或业务本体的建设方式。
在 Aloudata 产品体系中,目前 Aloudata Agent 企业级数据分析智能体已经具备面向复杂数据分析任务的 Agentic Harness,包含任务规划、工具调度、执行、校验以及知识、证据和 Skill 的使用。
通过 Agentic 本体,则可以进一步把这些运行对象结构化,例如明确某类分析任务对应哪些 Skill,某类 Skill 可以调用什么数据和工具,什么情况下需要继续下钻,以及不同结果应该如何进入后续任务。这样,Harness 解决“Agent 如何运行”,Agentic 本体进一步解决“运行过程中这些对象之间是什么语义关系”。
Aloudata CAN 在 Agentic 本体中的角色也不再只是“指标语义平台”,而是提供可被 Agent 调用的确定性分析能力。Agentic 本体可以明确某类 Task 依赖哪些指标和维度,哪些分析结果必须基于 Aloudata CAN 中统一定义的指标获得,从而避免 Agent 自行解释业务口径。
例如“门店经营归因”可以与销售额、客单价、订单量、毛利率等指标建立明确关系,Agent 在执行该任务时,不需要重新猜测应该使用哪些业务指标。
Aloudata BIG 主动元数据平台则为 Agentic 本体补充可追踪的数据和证据关系。Agent 在执行任务时调用的数据模型、字段、数据源和血缘信息,可以通过 Aloudata BIG 的算子级血缘解析能力获得上下文,从而让“Task 使用了什么数据”“Result 来源于什么资产”形成更加完整的证据关系。
因此,在 Agentic 本体场景下,三款产品的关系更接近“执行语义闭环”:Agent 提供任务和执行体系,CAN 提供确定性指标能力,BIG 提供数据资产与血缘上下文。Agentic 本体把 Task、Skill、Metric、Data Asset、Tool、Policy 和 Result 等对象连接起来,使 Agent 的每一次分析不只是完成一个答案,而是形成可理解、可治理、可追踪的执行过程。
正解:知识库主要提供文档和知识内容,而 Agentic 本体关注的是目标、任务、Skill、工具、规则和结果之间的结构化关系。它不仅告诉 Agent“知道什么”,还帮助 Agent理解“可以做什么、应该怎么做以及受到什么限制”。
正解:Workflow 描述的是具体任务如何按照固定或半固定流程执行,而 Agentic 本体描述的是任务、能力、工具和规则之间更稳定的语义关系。多个 Workflow 可以复用同一套 Agentic 本体,Agent 也可以在没有完全固定 Workflow 的情况下基于这些关系动态规划任务。
正解:Agentic 本体的价值不在于定义更多概念,而在于是否能够帮助 Agent 做出更准确的任务规划、工具选择和治理判断。过度复杂、长期没有实际调用的本体会增加维护成本。更合理的方式是围绕高价值分析任务逐步沉淀 Goal、Task、Skill、Tool、Policy 和 Result 等核心语义。
Agentic 本体是围绕 AI Agent 的目标、意图、任务、能力、Skill、工具、规则和结果建立的结构化语义体系。它帮助 Agent 理解面对某个目标可以执行什么任务、调用什么能力、遵守什么约束以及如何判断执行结果。
企业本体主要描述企业中的客户、商品、订单、组织等业务对象及其关系,Agentic 本体则进一步描述 Agent 围绕这些业务对象可以完成哪些任务、使用哪些 Skill 和工具以及受到什么规则约束。前者强调业务世界,后者强调 Agent 在业务世界中的行动。
Agent Harness 是负责规划、调度、工具调用、执行和校验的运行机制,Agentic 本体则定义任务、能力、工具、策略和结果之间的语义关系。Harness 负责“运行 Agent”,Agentic 本体帮助 Harness 理解“有哪些执行对象以及它们如何关联”。
数据分析通常是多步骤任务,需要连续调用指标、数据、分析 Skill 和校验能力。Agentic 本体可以把分析目标、任务、指标、工具和结果建立结构化关系,使 Data Agent 更稳定地规划分析路径,并减少完全依赖模型自由推理造成的执行偏差。
Aloudata Agent 通过 Agentic Harness 承担任务规划和执行,Aloudata CAN 提供统一指标和分析语义,Aloudata BIG 提供元数据、血缘和数据资产上下文。Agentic 本体可以将 Task、Skill、Metric、Tool、Data Asset、Policy 和 Result 等对象连接起来,使分析任务具备更加明确的执行语义和可追踪关系。
Topic Hub
AI 数据智能