平台·概念·业务本体
您的AI需要一个关于您业务的世界模型。这就是本体论。
业务本体是一张动态地图，它描绘了您的业务是什么——对象（成员、订单、产品）、每个字段的含义、它们之间的关系——以及可以做什么做什么：受控操作，带有前提条件、授权和审计。它不是您数据的副本。它是附加在您现有数据上的意义层，人和人工智能都可以通过它来理解业务。
动力学层·动词
受控操作——每个操作都包含前提条件、授权机制和审计记录。
语义层·名词
会员
层级 · 同意 · 标签
命令
总计 · 门店 · 日期
产品
类别 · 价格
对象、它们的属性以及它们之间的关系——现有事物的映射。
您已有的数据
用户资料 · 订单 · 事件 · 产品目录——不复制，不移动
它是什么
业务的双层数字孪生。
每家企业其实都有一套隐含的本体：大家大致知道什么是“会员”、一笔“订单”包含什么，以及哪些行动可以接受。问题就在于隐含二字：这些知识散落在人们的头脑里、各团队私有的 SQL 中，以及六套各有定义的工具里。显式本体将这些定义统一写入一个机器可读的模型，分为两层：
第一层·语义——名词
对象、属性、关系
您的业务所依赖的实体——会员、订单、产品、优惠券、活动、商店——每个实体都具有命名、描述的属性，通过真实关系连接：会员下订单，订单包含产品，优惠券属于会员。问“这位顾客是什么？”并且有一个答案，并附有每个字段的含义。
第二层 · 动态 — 动词
受控操作
可能是什么 完毕 对于这些对象，我们可以执行以下操作：发放优惠券、奖励积分、贴标签、添加备注——每个操作都有其前提条件（何时有效）、授权方式（谁或什么可以执行，以及使用什么工具）和审计跟踪（发生了什么，以及原因）。这正是本体与被动词典的区别所在：它对变化进行建模，而不仅仅是对状态进行建模。
这种模式并非我们独创。Palantir 将其引入了企业主流——Foundry 的本体论将语义层的对象与动态层（涵盖整个企业的受控行为）相结合。我们将同样的架构深度应用于一个领域：客户。
它不是什么
映射您已有的数据。
理解本体最快的方法是看它不需要你做什么：无需新数据库，无需迁移，无需爬取和编目项目。
并非数据目录
目录用于清点人员的数据集——表格存放位置、所有者等。本体为机器和人构建业务模型：客户是什么，订单与产品有何关联，以及可以对它们采取哪些措施。目录描述的是存储；本体描述的是世界。
无需构建新数据库
不会复制或迁移任何内容。本体是一个元数据层，它映射您已有的数据——您的个人资料、订单、事件和目录准确地保留在原来的位置。添加的是含义：固定到下面的数据的名称、定义、关系和规则。
不仅仅是语义层
指标语义层以认证的方式定义汇总数据——收入、留存率。本体论更进一步：它将对象本身（此成员、此订单）视为一等公民，并添加了受控行为的动态层。名词和动词，而不仅仅是度量。
一个语义层
您已拥有三个语义资产。目前缺少的是名词表。
像我们这样的平台不会空手到达本体。三层意义已经建立、认证和管理——每一层都有其自身的优势：
答案“发生了什么”
行为 → 意图
时间线层。记录顾客的实际操作——浏览、购买、兑换、保持沉默——以及人工智能从这些行为中解读出的意图：例如“顾客流失倾向”，并在任何人采取行动之前进行验证。
事件、行为和意图 →仔细观察，你会发现这三种模式本质上是相同的：派生语义依附于从未明确定义的对象。指标描述某物的数量；标签描述某人的类型；行为描述发生在实体上的事件。形容词和动词短语都已具备——缺失的是名词表。 “会员”、“订单”、“优惠券”没有统一的定义；每个资产都用自己的术语重新描述这些实体，而且彼此之间没有关联。
本体的作用是提供名词表——作为主干，而非第四个孤岛。object的派生属性引用经过认证的度量定义；无需重新计算，度量层仍然是每个number的唯一权威。标签作为object的分类属性出现，仍然根据其自身的同意和TTL策略应用。行为流成为object的观察时间线——身份在一个地方，观察在另一个地方。而动态层添加了前三者都无法添加的内容：动词——可以对每个object采取的受控操作。
AI 代理和控制台
这位客户是谁？发生了什么？可以采取哪些措施？
本体 · 一个语义层
对象 · 链接 · 操作
指标
认证措施
所有者：语义引擎
标签
受管制标签
所有者：标签策略
行为 → 意图
观察时间线
所有者：活动流
您已有的数据
个人资料 · 订单 · 活动 · 产品目录
指标、标签和行为回答 金额, 哪种类型 以及 发生了什么本体论使它们围绕同一主题运作。 谁和什么 ——并补充道 可以做些什么.
最终形成一个完整的语义层：当人工智能询问该客户是什么（属性 = 指标 + 标签）、发生了什么（行为 → 意图）以及可能做什么（操作）时，这三个答案首次共享同一个名词系统。每一层都保留其所有者；本体引用永不重复。
了解完整图景：单一语义层如何运作 →为何重要
基于原始数据的 AI 会悄无声息地失败。现在，证据已可量化。
缺失的名词表格并非无关紧要。当人工智能回答业务问题时，如果数据对象从未明确定义，它不会报错——而是会自信地给出错误答案。成本已进行基准测试：
16.7% → 54.2%
LLM 准确性，基于企业数据解答业务问题
在针对真实保险方案的受控基准测试中，基于原始 SQL 数据库的 LLM 模型对业务问题的正确率仅为 16.7%。而同样的模型，在以知识图谱形式呈现并结合本体论后，正确率提升至 54.2%——大约是前者的三倍——且在此之前，模型规模和智能程度并未提升。瓶颈在于数据表示，而非模型本身。
data.world 基准测试（Sequeda 等人），arXiv 2311.07509 ↗→ 72%
基于本体的查询检查和修复
一项后续研究利用本体本身来验证LLM生成的查询，并修复违反本体的查询——将整体准确率提升至72%，另有8%的答案从自信的臆测变成了诚实的“我不知道”。本体不仅仅是上下文；它更是一份可验证的契约。
“本体来帮忙！” （Allemang & Sequeda），arXiv 2405.11706 ↗+17–23 分
基于 4 KB 语义层文档，跨越三个前沿模型
配对基准测试在同一个零售仓库上运行了三个前沿法学硕士两次：仅模式，然后模式加上描述措施、约定和消歧规则的约 4 KB 文档。每个模型的准确率都提高了 17-23 个百分点，而且这三个模型在统计上变得无法区分。推动变革的是语义，而不是模型选择。
Cube 配对基准测试，arXiv 2604.25149 ↗60% 的营销活动将会失败
到 2028 年，仅基于 MCP 构建的代理分析项目（Gartner）
在 2026 年数据与分析峰会上，Gartner 警告称，到 2028 年，60% 的仅依赖 MCP 的代理分析项目将因缺乏一致的语义层而失败。将代理连接到系统的管道是必要的，但如果没有业务含义的模型，这是不够的。
据 Atlan 报道，2026 年 Gartner 数据与分析峰会 ↗行业信号
2026 年 6 月，Zeta Global 和 Palantir 宣布建立战略合作伙伴关系，共同构建统一的营销数据和人工智能基础设施。Palantir Foundry 将贡献“企业数据所需的本体、治理和运营基础设施”，为智能营销执行提供支持。语义模型加上受控行动正成为业界让人工智能不仅进行分析，更能采取行动的架构。
Zeta Global 新闻稿，2026 年 6 月 23 日 ↗更深层次的转变
传统的堆栈模型数据。它从未对决策进行建模。
数据仓库、管道和目录回答了“什么是 true？”这个问题。它们捕获状态——行、列、快照。但它们永远无法捕获的是决策：形成的判断、由此产生的行动、授权人以及后续发生的事情。这个循环存在于人们的脑海中和工单中，因此无法查询、无法学习、也无法管理。
一旦人工智能开始行动——而不仅仅是报告——这种差距就成为了整个问题。代理系统不需要另外的数据集成；他们需要决策整合：证据→判断→授权行动→记录结果，作为一流的互联对象。这正是本体动态层所提供的——也是为什么我们将每个人工智能决策视为数据，在日志中您可以过滤、重播和审计。
一个决定，正如本体所记录的那样
证据 — AI实际读取的会员记录和指标
判断 — 用通俗易懂的语言记录推理
授权 — 运行它的设备——或者批准它的人
行动 — 变化内容：发放优惠券、应用标签
结果 — 结果——为下一个决策提供依据，并且可逆
在平台内
这不是纸上谈兵的概念。它正在运行。
在 SocialHub.AI 中，本体不是您构建的项目 - 它随平台一起提供，并扩展到您添加的字段和对象。今天它的功能如下：
能够询问“存在什么”的人工智能
在采取行动之前，任何连接的 AI 都可以内省本体：列出工作区中的业务对象，描述 object 的字段及其含义，了解对象之间的关联，并列出它可以采取的操作——以及每个操作的条件和当前授权。包含个人数据的字段会被描述，但其值永远不会泄露。
内省参考 →受管制的行为，而不是自由形式的行为
动态层运作：每个 AI 操作都带有其自身的授权机制——自动、人工审核或禁止——每个团队的授权机制各不相同。提案以纯文本审批卡的形式提交，审批时会再次检查理由，违规操作将降级为人工审核，任何操作都可以撤销。
请参阅管理控制台。 →每一个决定，都记录在案
因为动作也是本体对象，所以每个动作都会留下完整的决策记录：推理、读取的证据、授权者（设备或人）、更改的内容以及结果。人工智能活动不再是黑匣子，而是成为可以过滤、重播和审核的日志。
决策日志 →您的扩展程序继承语义
向成员添加自定义字段，或整个自定义对象（维修工作、服务预约），它会自动输入相同的本体：人工智能可内省、可逐个字段描述、可分段使用和个性化。没有二等数据，没有单独的集成。
自定义对象 →常见问题
数据团队提出的问题。
本体论与数据目录有何区别？
数据目录回答“数据在哪里以及谁拥有它？” — 它为人类数据团队清点表格和文件。本体论回答“业务由什么组成，可以做什么？” - 它以人类和人工智能代理都可以读取和执行的形式对成员、订单、产品、它们的关系以及对它们进行操作的受控行为进行建模。许多组织两者都需要；它们不是同一个工具。
它与度量语义层（如 dbt 或我们的）有何关系？
它们是同一理念的互补层面。指标层验证了汇总定义——即“收入”的含义及其计算方式。本体论将这一定义从度量扩展到对象本身（成员、顺序、连接方式），并添加了行动层：在何种条件下，由谁执行哪些操作。在SocialHub.AI中，object的派生属性引用已验证的指标定义，而不是重新计算它们——指标层始终是每个number的唯一权威——本体论围绕相同的对象，将其与标签的分类语义以及行为和意图的时间线语义统一起来。
我们需要图数据库来构建本体吗？
不。本体是一个建模层，而非存储技术。它映射您已有的数据——关系表、事件流、产品目录——并在其上添加名称、关系和规则。一些供应商在图存储之上实现本体；而我们的本体则是对平台中已有的操作数据进行元数据处理。没有任何内容需要重新平台化。
这与 Palantir 的本体论相同吗？
相同的概念，不同的范围。Palantir 通过 Foundry 将本体模式（语义对象层加上受控行为的动态层）引入企业主流，并应用于整个企业。我们的平台将同样的模式应用于客户互动领域：会员、订单、产品、活动以及对其进行管理的营销活动，这些都内置于平台中，而不是作为一个项目组装起来的。
这与数据治理有何关系？
数据治理确保数据的可信度——每个number都只有一个经过认证的定义，尊重用户同意，严格控制访问，确保数据干净。本体论在此基础上构建，并添加了人工智能运行所需的层：对象是什么以及允许哪些操作。可信的数据是基础；受治理的世界模型是智能体赖以生存的基石。
相关阅读
继续浏览与此页面最相关的页面。
智能决策
最佳行动建议：谁、哪个优惠、哪个渠道、何时。
了解更多 功能Consumer World Model
每个决策背后的核心技术：一个行为模型，可以了解您的会员的实际行为方式——根据每个品牌自己的事件流进行培训，根据透明的基线进行诚实控制——加上一个数字孪生，可以模拟他们下一步要做的事情，在消息发出之前排练活动（以及什么都不做的选择）。共同构成您的会员群的一个完整的、生动的模型。
了解更多 功能仪表板
实时扫描兑换数据，包括 KPI 趋势、转化漏斗诊断、规则 + LLM 最佳行动建议面板，以及按注册用户群体划分的留存曲线和 14 天收入预测（该预测仅为预测，并非承诺）。
了解更多 功能业务目标
将任何受管控的 KPI 转变为对某人负责的运营目标。将一个目标分解在跨两个轴的单个父子树上 - 时间（年 → 季度 → 月）和组织（公司 → 商店区域 → 商店） - 然后让实际值自动从仪表板读取的相同口径的实际订单中汇总，并显示红色/黄色/绿色状态、进度预测以及目标偏离轨道时的警报。
了解更多 功能SoTag 代表 Slack
Slack 代理将受监管、已审计的数据传递给 Claude 线程内处理：每日异常扫描 + 人工审核优惠券发送。抢先体验。
了解更多 功能SoClaw — 雇佣您的 AI 员工
为您的会员忠诚度计划招聘 AI 员工——这些自主代理各自承担一项实际工作：忠诚度经理负责挽回流失客户，订单经理负责清理收据和订单审核队列，风险经理负责保护积分免受欺诈，营销经理负责将目标转化为可执行的营销活动。每个代理在您设定的权限范围内一次处理一个案例，并记录每个决策；您可以像管理团队一样管理他们，设定目标、预算、任务和反馈。默认关闭，有使用上限，可立即暂停。抢先体验。
了解更多