00:02
好的,我们现在开始我给大家分享一下我最近一年多关于本体论,本体建模,包括整个基于本体驱动的一体化平台,所以在整个演示我后面的系统之前,还是有几页PPT,我想再跟大家稍微做一下讲解。因为大家都知道最近一两年兰ier的整个本体论相当的火,所以说大家也可以看得到很多关于本我研究的一些文章或者是视频。我整个的本体论大家可以简单的理解就是构建了一套本体建模规范,覆盖了对象、行为规则、事件、场景主体。包括了从M一到M9这一套本体建模规范,它本身既吸纳了经典本体论的内容,也参考了的静态和动态,包括传统的M模型、驱动架构,包括领域很多的核心的一些思想。
01:09
所以说我的整套本体平台,它不能简单的理理解为完全仿照plenty来做这个事情。而是说我希望构建一个本体平台,能够真正的去解决我们业务场景里面经常遇到的问题,类似于你怎么样去构建一个AI原生系统,有了数据源,有了数据源你怎么样去做数据分析,有了系统能力,你怎么萃取?这些东西都是我们实际在业务里面经常遇到的问题,所以整个本体建模规范大家可以看得到,对于M1对象模型,它就包括了对象属性关系,这个其实就是类似于经典本体论里面的OWL+RDF业务语义文件的定义。所以经典的本体论里面,它其实没办法定义复杂的业务规则,包括符合规则,符合规则它是定义在SWRL和两个规则语档面的,所以到了的本就把分为静态、动态或者动动力。
02:12
在动力建模里面,它就进一步扩展的去定义了两个东西,一个叫action type, 一个叫function。其实类似于我们传统软件里面的用例,所以对应到我这个地方,其实就是我的行为模型。而对于function type对应到我这个地方,可以简单的理解为定义对应到相应的规则模型。然后,为了考虑整个本体里面各个对象之间的异步消息解耦,包括形成的改进建议的回写,我扩展了事件模型。实际上Plentyier里面的消息事件回血机制,它也是基于一种消息中间键异步结偶的。接着就是我们讲的场景模型,场景模型解决什么问题呢?你下面定义了一堆的对象行为规则,那么基于不同的场景,这一些对象行为规则应该怎么样去组装,按照什么样一些规则去灵活的组装,这个是需要提前定义的。
03:14
而不是说完全让AI大模型自由发挥,这样的话,AI大模型每次都跟你不一样,结果那你拿到你没法用,所以这个内容其实在plenty里面也有,它叫上层的决策,动态决策模型。他首先去做分析,分析做了很多模拟以后,他可能选择一个最佳的模拟方式,然后进一步把它化成里面的work flow定义这个实际上在场景模型里面。然后它本来原来它是做一家做数集成,数据分析的公司,所以的本体论,它不是说从0~1构建一个新的AI原应用。但是我在构建这套本领模型的时候,我更多的考虑我怎么样构建一套模型,既能够支持从原始需求开始,从0~1的去生成一个完整的AI原生应用,又要考虑这套模型又支撑后面的数据集、数据分析。
04:11
所以为了考虑原生应用的构建,我又增加了。相应的主体模型和流程模型。主体模型你可以简单的理解为就是映射到原来传统系统的系统管理流程模型映射到传统系统里面的工作流引擎。包括扩展了相关的查询、统计和报表模型。同时你为了去做数据分析的需要,你实际本体建模里面建完的对象模型,你必须要跟数据源里面的数据表做映射,所以说你还应该有相关的mapping模型。确保大模型在分析推理的时候,通过首先找到本体模型的对象,它进一步的能追溯回你的数据源数据表。这样的话方便,它类似于写动态circle,能够去查数据。同时我们在看到,对于一个大的企业级来讲,你要去构建完整的企业级的本体,这个规模相当大,所以在这个时候仍然应该是参考类似于领域建模,分而自治的思路,把整个企业级划分为不同的领域、业务域、上下文。
05:17
那这样的话,化成了不同的本体子域以后,这些本体子域之间怎么样沟通协同,所以说它一定会有相应的涉及到南向北向接口的接口模型,所以接口模型就出来了。当然,为了你去开发AI原生应用,我们还有一个更加在实现经常要用到的就是你遵循什么样的UIU1规范去做这个应用。所以我们把这个东西就放到相应的UIUE模型里面,所以这样就组成了我整个本体。建模的内容。基于这个建模的内容展开它其实也可以看得到,它是一个完整的分层的架构,下面就是我的对象数据表的映射,在上层是对象模型,类似于R,在上面是我的行为方法的模型,上面是为了实现决策的两个,一个是世界模,一个是规则模,上面查上面你似于传统做O的时候,你要做BM,你要做B就涉及到的相应的流程模型和场景模型。
06:18
流程模型可能往往对应到简单的审批流,场景模型可能就是对应到跨多个功能业务协同的协同流。再朝上面走是接口模型,再朝上面走是我的UI模型,所以这样的话就构建了一个完整的基于本体多个子模型的一个完整的本体建模体系。有了这个东西以后,我在构建这个平台的时候,我核心思考的点在哪里呢?其实这个平台整个的核心就是下的哈利斯的技术底座,加上上面的本体建模规范触发出来的整个本体模型。整个本体建模规范,不管你是遇到任何的场景,它都是一套规范。
07:02
所以有了这个本体建模规范加哈里斯底座,它可以适配多元输入和多元输出。当我有了一个原始需求,我要去开发整个AI原生应用的时候,我往往输入的是原始需求。那么在这个时候,我再加上我的需求探索词本体建模规范,我就会输出一个完整的业务本体。这个业务本体,再结合我的开发指导书,我就能够完全驱动开发一个AI原生应用。当你如果仅仅有数据库、数据源和数据库的设计文档,那么我们还可以进行进行意向工程建模,形成一个数据本体,这个数据本体结合我的数据分析的指导书,它就会形成一个数据分析的结果,或者是叫数据完整的数据分析报告。当然,你如果是已经有it系统,已经有源代码,我也可以去逆向,逆向完形成一个完整的本体系统的本体,这个本体既可以发布为能包,又可以发布为MCP的server的能力接口,直接注入到我上层的这个通用的平台。
08:10
包括类似于文档资料库也一样的东西。我类似于参考的LV的大模型智能知识库的思路,我可以去做知识萃取,形成知识本体。这个知识本体就可以去做相关的知识问答和知识推理。这是完全不同于类似于传统的rag知识库的一套新的智能知识库的方法。所以有了这个东西以后,我接下来我就给大家做几个关键场景的一个演示。首先还是来看一下整个本体驱动的AI原始能力架构,它就会变成这样了,底层是你的哈利式的工程能力几座,上层是本体的模型平台,基于这个本体模型平台,它既可以支持从0开到1的去开发整个AI原生应用,又能够支持已有系统我直接对应到你的用到你的数据源去做相关的业务协同,去做相关的数据分析推理。
09:07
所以基于这个我们先来看几个关键的场景啊,第一个场景,我把它叫做我怎么样来去实现从0~1的开发整个完整的AI原生应用,这个时候业务人员提交的是业务需求,我下面是我的哈利式底座和本体建模规范。那在这种情况下面,我首先要内置什么东西呢?第一个就是我的技术底座。技术底座就是我们常说的4A流程,引擎、安全、消息缓存这些组件,这些技术底座跟业务无关,即使你去驱动AI编程,你也不可能每次都去把这个编程一遍,所以这些要沉淀在技术底座里面。第二个就是我们的一些AI软件工程的规范、标准流程的沉淀。类似于当前B里面我们经常谈到的SD驱动的开发方式。啊,当然这个地方当前主流也有很多开源的一些实现,对吧,类似于SPAK,类似于super power, 这些就沉淀到你的软件工程规范里面,我们希望的方式是什么呢?就是你有了业务需求以后。
10:14
你自动的帮我完成需求探索,形成业务本体模型。业务本体模型加上我底层的技术底座和软件功能规范,我自动的生成AI原生应用。这个AI原生应用既实现核心的业务功能,同时又天然的具备和AI自然语言对话的能力。这个就是第一个关键的场景。所以我们先来看一下第一个关键的场景。所以在应用中心里面,它核心的第一步。它核心的第一步就是什么呢?我们把它叫做。你就录入你的原始的用户需求就可以了,比如说我要做一个合同管理系统,我大概至少要交代清楚吧,我需要有合同创建审批功能,有开票功能,有收款功能,合同应该包括哪些关键属性字段,开票能不能够多次开票对吧?需不需要有审批流,这些基本的原始的用户需求信息,你还是要给他这个地方,你可以直接录进来,也可以上传原始需求文档。
11:20
然后AI拿到了这个需求,分分问需求以后,他就会去分析。你给的这个需求足不足够,我把这个系统实现出来,你里面还有哪一些需求不一致,需求实现有歧义的地方,它会自动的去分析整个业务的端到端,业务流程、业务业务域的划分,业务对象的识别,然后把关键的问题给你提出来,比如说他看了这个以后,他就觉得你还有很多东西没说清楚。啊,他就会给你列出相关的问题,类似于开票是不是需要审批,付款条款校验的口径是怎么样的,查询数据的权限是怎么样的,主数据被引用以后能不能被删除,就所有的这一些AI觉得模糊的地方。
12:07
你都要逐一的去回答,当然你也可以按AI给你的建议,当你把这一些模糊的需要你做需求澄清的点全部澄清清楚以后,这个时候AI就自动的去帮你输出整个完整的软件需求定义,所以这个需求定义里面就包括了我们的核心的端到端的流程。我的业务欲的划分。我的业务对象的识别,细化的每一个属性字段。我的业务功能的清单,我每一个功能的卡片,这个跟我们原来做用例分析,需求分析的时候的写用例的这个功能卡片完全类似,细到每一个操作的详细的步骤。我们的跨对象的功能规则约束,因为没跨对象的规则就直接已经写到单个功能里面去了,包括我们的界面,我们也给出阿斯克玛的原型展示,类似于合同台账、合同新增合同开票收款,所有的内容AI输出完了以后。
13:16
这个上面就有一个按钮,叫生成需求文档。你点击生成需求文档以后,整个功能它就会帮你输出一个完整的需求。这个完整的需求生成完了以后,我们还不要马上去做本体,大家都知道,其实我们现在做软件开发一样的,拿到需求文档以后,我们一般会去先出出原型,出完原型确认完了以后,我们才会到后面详细的设计和开发。所以说有了这个需求以后,我们会有一步叫生成界面原型,你点这个生成界面原型,它就会帮你把界面原型生成出来,这个界面原型本身就可以完完整整的运行起来。大家可以看得到,这个就是一个完整的界面原型。包括合同的台账,合同的开票,开票的登记。
14:03
包括相关的内容都会在这个界面原型里面做展示。所以你如果觉得这个界面原型需要修改,哎,我们有修订功能,你进来以后,这个地方是AI辅助对话,你自己去改对吧?比如说查询列,我要新增加一个什么东西,你在这直接跟AI对话,他直接把你的界面原型调掉,所以当界面原型全部生成完了以后,我们再到这个地方来,就叫去生成本体模型。本体模型就是。楚的需求文档,然后叠加我的本体建模规范,就会输出一个完整的业务本体。比如说这个就是一个合同管理的一个业务本体,它就会包括了对象模型、行为模型、规则模型、场景模型、端到端业务的协同的说明。类似于包括核心的聚合对象,它也会完全识别,识别出来,类似于合同,合同它就有一个付款条款的子对象,它也会完全识别出来,包括这个本身就是一个完整的本体模型编辑器,你可以在这个地方对整个本体模型做编辑。整个本体模型大家可以理解为它是远远覆盖传统的OWL业务语义本体文件的定义的,所以我们整个本体模型你也可以导出。
15:16
你也可以导出o wlq和SHSCL文件,我这个地方就不去导了啊,但是你如果是经典本体论定义的规范文件,你要来生成我这一道本体模型,它是生成不出来的,因为我扩展了很多我需要的业务场景,需要的业务语义,有了这个本体模型文件以后一样的,对吧,你就可以看到相应的本体模型文件,它其实就是一套压模文件。每个压模文件,比如说我的对象模型就有一个压盟文件,我的行为模型就有一个压模文件。这个压ma文件其实就是详细的定义了相关的对象规则,包括之间的参考规则,比如说我的行为规范,它里面就有相关联的规则的定义,我的对象规范它就会就有关联的行为定义。由于有这一些依赖关系,这个时候的模型它就不是一个简单的树状结构了,而变成了一个类似于知识图谱的知识网络,所以你到知识图谱里面我们就可以看得到,比如说我刚才的合同管理的本体,它构建完了以后,整个对象行为规则之间什么关系,什么约束,那就会在整个本体模型里面做一个完整的演示。所以这个时候我们来讲开发一个业务系统时候,需要的业务建模阶段就全部做完了。
16:37
我一直在强调,本体建模的核心是业务建模,只要业务建模清楚了,这个系统一定是可以实现出来的,但是有了这个业务建模,离我们整个系统实现还有距离。你这个系统究竟是想用Python语言做还是Java语言做?Java语言做你究竟是用传统的SSH的三层架构,还是当前前后端分离的微服架构,你必须要说清楚,所以说我们必须要过渡到技术架构的定义。
17:06
技术架构其实就是去定义你当前你具体的技术证,前端用什么,后端用什么,图表用什么,数据库用什么,你把这些技术站定义好以后,这个地方有个生成架构,它就会生成一份完整的技术架构文档。这份技术架构文档是跟业务无关的,是一种标准的技术架构文档,同时我还可以定义我相关的界面的原型,对吧?你究竟是这种白色界面风格的,还是说这种黑白相间的风格的,你都可以提前把你的UIUE的原型把它定义清楚,接着就是说什么呢?就叫技术底座。我首先必须要有一个能够跑的起来的技术底座。这个地速底座大家可以看到,进去就是一个空框架,没有业务功能,只有系统管理模块和流程定义模块。
18:00
这个基础底座是你必须要提前实现出来的一个东西。那么刚才我在本体建模里面不是本身也有主体模型和流程模型吗?很简单,主体模型里面定义了权限,那么应该是在技术底座里面的用户角色权限这个地方录入相关的配置数据,在你的本体模型里面定义了流程模型和审批流,那么应该是在流程管理流程定义这个地方新建一个工作流模板。啊,而不是说你需要通过web的方式去实现一个完完整整的工作流引擎,大家都知道,国内其实你要实现一个完整的工作流引擎还是相当复杂,相当麻烦的一个事情。所以所有的事情都做完了以后,我们就进到应用开发,那么就叫万事俱备啊,刚才有,那么就叫万事俱备,只欠东方了。好了,这个时候我们就应该去新建一个应用,比如说我是需要做一个合同管理应用。
19:01
那这个时候就是兼我们的业务本体模型和我的技术架构做一个动态的组装,类似于UIUE,你需要什么风格?本体模型你是用的哪个本体,技术底座你是用的哪个技术底座,技术架构你是怎么样的?当所有的组装完了以后,你就保存应用,保存应用以后在这边就会看到有一个面板啊,类似于合同管理新模板,合同管理这个面板看到了以后有两种思路,第一种思路就是进入。进入以后就一句话,严格基于开发,我实现整个系统。这个地方我们有一个跑完的,大家可以看一下效果。啊,他就会把你把整个完完整整的it系统全部实现出来,当然你说我不需要在你的这个NG平台里面来做,我们还有一个功能叫导出。我可以导出开发包。
20:04
大家可以看到这个是我就导出了一个开发包,这个开发包里面类似于参考资料,本体模型,包括UIUE的规范,本体建模的规范,技术架构的设计的文档啊,包括我的技术底座的源代码全部在里面,包括开发指导书,你把这个开发开发包解压,不管是话目我。AI就全部帮你实现出来。所以大家可以看一下,这个是我上周一就是刚才的合同管理的例子,我导出开发包,我把它放到work里面去实现,实现完以后完整的一个效果,我一行代码都没改,Work跑整个差不多花了。不到一个小时,全部跑出来。这就是一个完完整整的合同管理的系统,所有的功能都是可用的,所有的功能都是可用的,包括新增合同,包括开票。
21:04
包括合同审批啊,审批以后可以进去看到处理。包括实际的工作流流程的定义,它已经提前帮你建了工作流模板啊,因为我这个是模拟的一个轻量流程引擎,所以感觉比较简单,当企业有完整的技术底座的时候,就应该直接接到企业已有的完整的技术底座平台上面。当然这个地方还可以去做对话,这个地方对话就是一种AI智能的对话。AI智能的对话有预设问题,他就直接不经过AI直接给你回答,如果没有预设问题,他就直接调通用大模型,然后结合本体模型提供的业务语义帮你输出相应的回答,这样就完完整整的开发出一个完整的AI原生的应用。这个是整个AI原生应用的过程。接着我们来看第二个。我把它叫做有数据,当我已经有数据库资源的时候,我结合整个本体模型。
22:08
我怎么样去做?相关的数据分析,那这个时候核心的就是你需要提供数据库,你需要提供数据分析需求,底层仍然是哈里斯平台和本体建模规范,所以大家一定要注意,就是我将数据分析的需求加数据库加我的底层的本体建模规范三者共同结合。然后让AI辅助自动生成一个数据本体模型出来。由于它是偏意向的方式生成的这个本体模型,在这个本体模型里面自然而然就建立了对象数据库的映射关系。然后基于构建的这个数据本体模型,我就可以去做我们说的。最最简单的智能问述,包括后面的数据分析推理。来,我们接着演示这么一个场景。
23:02
所以到了数据分析的时候,一样的你将你的数据库资源挂进来,你就究竟是MYSQL库还是其他什么数据库,先把它这个数据库资源连接进来,连接进来以后我们去构建一个数据分析文档,就是将你的数据分析需求,你的数据库设计文档,包括刚才创建的数据源全部填好,填好以后保存,保存完了以后一样的到这个地方就去生成本体模型。这个时候生成出来的本体模型。它就会形成一个完整的数据本体。类似于比如说我们的生产缺陷场景的,它就会生成一个完整的数据本体。这个数据本体,它就被把核心的对象、行为规则,该逆向的全部定向出来,同时也会去构建一个完整的知识图谱。啊,类似于这个是我们灵活用工系统的,大家可以看得到,就是它就会通过逆向的方式来构建这么一个知识图谱的模型,同时也会自动的去构建数据映射,为什么这个数据映射是自动构建的呢?我刚才讲了,由于它是。
24:12
从数据库结合数据分析需求逆向的本地模型,所以说逆向完以后,相关的对向和数据库表征间的依赖关系,它自动就建立了这个mapping关系不需要你手工去维护了,但如果这个mapping关系有错,你仍然是可以修改的啊,你仍然可以修改啊,比如说先删,删除或者是再增加都是可以的啊。所以这个map屏建完了以后,就结合到我们几个关键的应用场景,我今天上午刚好再发一个视频就在讲。我们的数据分析中心为什么跟传统的智能论述有差异?我们来看一个最最简单的例子。不能问述,仅仅是把你的自然语言翻译成SQL的语句,然后去查数据库,给你查询一个结果出来。
25:09
呃,我好像进错进错点了,不是这个。来,我们先看一下,我今天在讲数据分析的时候,我就会把它分成三个阶段,最最简单的就叫智能问数,接着叫智能问因,要去做缩因,要去做归因分析,第三步就叫智能问测,要去问原因,找到了以后AI辅助帮我给出改进建议和决策建议。所以整个的过程是怎么样的?首先我们看一个最最简单的例子。比如说我让他统计从2025年6月到26年5月,按月为单位统计每个月签订的订单总金额,返回一个折线图给我。大家看一下这个是不是经典的智能问述,他肯定能够很好的处理的问题,所以说智能问述处理完这个问题以后,它就会输出相关的统计数据和相关的趋势的表格。
26:04
大家看一下,从这个表里面你们发现有没有问题?2025年12月的订单销售额急剧下降。所以说我们就进入到另外一个阶段,我们把它叫做智能问因,什么叫智能问因呢?你看我给他的对话叫2025年12月订单总金额比25年11月订单总金额下降明显,帮我分析是哪一些商品定额明显下降导致的,所以这个时候。就推动AI大模型,结合我的本体模型,它去做多步的分析推理。多部分析推理完了以后,最终给你一个结论啊,下降的整体规模,从整体金额看是怎么样的,每一个每一个类别的下降的幅度,整个的明细的销售额啊,降幅的贡献,数据的依据啊,包括参考使用的circle假设和与约束。
27:01
这个我们把它叫做智能问心。也就是说在智能问数的基础上面,我可以去分析,去找原因,最后一步叫智能问测,智能问测把它分成两个关键差异,第一个就是你已经有数据中台。已经汇集了大数据,我怎么样基于对于你这个数据源的理解,我来自动的构建指标体系,包括构建指标发生异常以后的场景分析指导。这个过程我们把它叫做面向分析类系统,分析类系统的智能问决策这个过程怎么样的呢?一样的,我首先去创建数据源,创建数据本体。接着就到了指标分析,指标分析的时候我们就会去构建一个指标,这个指标就跟我刚才建的数据本体、数据源映射挂钩,包括你可以去写你需要让AI辅助最多探索多少个指标。
28:04
把这些构建完了以后,我们还是进电商指标分析,这个时候你去运行指标洞察,这个比较费时间,我就不去跑了,你去运行指标洞察以后。系统AI会自动的结合你的数据分析的需求,你提供的数据库设计文档数据源,自动的帮你规划出他可以做数据分析的指标。比如说我现在接了电商系统,他就会看到你可以做GVGMV分析,客单家分析,嗯,退货率分析,物流单量分析。一个指标,它都会跑一个详细的指标定义文档。每一个指标定义文档,它都会详细的去做相关的指标名,指标的定义,指标的计算的口径,指标计算的原数据表,计算的维度,参考的SQL,包括来源与字段依赖,包括过滤的规则,包括值判定,包括交叉检验。
29:05
所以这一个指标定义是相当完整的,这个事情原来怎么做呢?原来可能是需要有经验的数据分析人员手工去定义这个指标体系,但是现在不需要AI大模型辅助帮你做,你只需要把你相关的一些经验沉淀到原来的指标分析的指导书里面就可以了。有了指标定义还没有完,接着就是我们的场景分析,什么叫场景分析呢?我们有两类场景,一个叫指标场景,一个叫问题场景。指标场景很简单,就是如果我这个指标。类似于销售额的指标。如果这个指标出现了异常。我应该遵循什么样的方法去一步一步的分析,找到原因,给出改进建议,这个叫场景分析。场景分析,你能不能直接就丢给本体,丢给AI大模型,让他自己去做不行。因为这样的话,就是AC每次跑出来的结果都不一样,你拿到这个东西没法用,执行度太低了。所以现在我们在做场景分析的时候,有很重要的一个步骤,就是针对每一个指标异常分析的场景,我们首先要去定义一份场景分析文档。
30:14
在这份文档里面,就等于是对整个场景分析的大阶段已经做了框定。类似于销售额的这个指标,你看我们整个场景的分析文档,我们就会给出详细的相关的指标的口径,数据对象的清单,异常的类别,包括标准的工作流。从阶段0到阶段一到阶段2。标准的工作流,然后归因素,包括事例的circle,包括数据质量的检查的规则啊,包括后面的异常判定的规则,包括大模型分析推理的方法,所有的这些东西都要提前在我的场景分析这个指导书里面定义。好了,有了这个内容以后。
31:01
我们如果真的这个指标发生了异常,我们就可以进入到场景分析的状态了。你看这个就是比如说当GMV有效订单时,负荷指标异常以后,我就跟AI对话,我让他对这个指标异常异常进行详细的分析。然后这个时候安的整个协作流程,他不就是漫无目的的做了,他要严格遵循我刚才的场景定义的阶段规则去做啊,这个是他可视化的一个阶段work服的工作流的情况我就不展开了啊,所以他就会一步一步的去。销售额异常的指标分析,最后分析完以后形成一份完整的分析文档,我们来看一下这个分析文档。
32:00
所以大家可以看得到整个GMV的异常波动,它就会输出一个完整的分析报告,包括报告的摘要,场景和指标的定义,指标的计算口径,分析的范围,数据的口径,月度核心指标的序列啊GMV的客单价的趋势,包括详细的执行过程。注意在这个地方就是关键的地方,它就会给出关键的执行过程究竟怎么样的,包括数据采集、异常判定、归因拆解、大模型综合推理,最终给出结论,验证计划。然后一步一步的去做,做完以后包括归因分析,包括大模型的综合推理。包括异常的一些处理,包括关键证据的说明,最后给你一句话的结论,综合的因果链,因果的判断结论,改进的建议。这样的话,我们就形成了一份完整的完整的分析报告,完整的分析报告好了,这个我们把它叫做什么呢?
33:03
叫做基于你已有的数据中台这种库去做指标异常的数据分析推理,但是这个一般是指标一般也是一周一个月跑一次,所以说它基本上是一种周期性的数据分析决策,那还有一种情况是什么呢?还有一种情况就叫实时的业务需求变化,要驱动分析。我经常拿供应链举例。比如说我现在有一个供应链的系统。供应链的系统,我有数据分析需求,我有我的供供应链的数据源和数据数据库设计的文档。但我经常就会遇到一些实时的场景。类似于一个关键的元器件。供货中断,类似一个特定名、特定编号的订单。要求的交期提前,那么如果出现这种情况,你应该怎么帮我去应对,帮我给出改进建议,这个就叫基于问题的场景洞察。
34:08
我们来看一个关键物料供应中断的,我们进入以后一样的。你看我这个地方就会有什么呢,比如说关键芯片。今天停供。4月7号那批在途也取消了,哪些订单会受影响?那这个时候AI就会基于我的场景分析指导,也是一步一步的帮我去做相应的计算和分析。啊,包括整个。啊,计算的整个的核心的逻辑过程,他全部会给你列出,包括事实的采集,归因的分析判断啊,包括最终的结论啊,改进建议啊,包括交叉的验证,他全部会给你给出。这个是一个供应链的例子啊,类似于生产缺陷的一样的。
35:00
啊,比如说我们的缺陷数量明显上升,究竟应该怎么做,他也可以去跑出完整的例子。啊,比如说这个就是一个生产缺陷的一个例子,比如说这个就比较复杂,我就不念了啊,他就会基于这个缺陷的情况去做详细的数据的探查,问题的诊断分析,包括归因,最后给你一个完整的结论,所以可以看到整个的实际的agent,我把这个东西折现出来,他可能要超过50步。他可能要分多次探索数据库,拿数据具体分析,大家思考一个点。原来A我你不是一样的,哎,要基于这个问题,先从先从ERP捞一个数据出来一看,诶这个数据如果是什么样,又走另外一个分支不一样,又走另外一个分支,你又再去从系统再去从W到数据,一步一步的整理数据,归拢汇总归因,最后得结论吗?好了,所有的这些事情,我们的理解以后,应该是可以在我们沉淀完了我们的数据分析经验以后。
36:13
结合本体模型,结合AI大模型的辅助推理能力,这些事情应该AI自动把它做完。所以这个就是我们的本体场景分析和本体推理的我要演示的一些关键的内容。好了,再来看。人力中心,人力中心什么意思呢?人力中心简单的来讲就是我要对你已有的业务系统做逆向做蒸馏,我把你已有的业务系统蒸馏为一个个MCP server, 接入到我的通用大模型里面。然后这样的话,通用大模型就可以跟这个系统对话了,通用大模型也可以做跨系统多个系统的协同,我们来看,首先你要去做系统配置本体,逆向本建本体模型,接着很重要的一步就是你要去把业务系统实现完的这个MCP server的能力啊,类似于连接器的模式,把它加进来。
37:14
里面来包括相关的调用的地址,调用的参数,如果这么一个业务系统连接通了。我们其实就可以看得到,它实际上已经提供了哪一些可用可以调用的API,或者是叫工具的接口啊,我们就可以详细的看清楚了。当MCP server接进来了以后,我们就去建一个智能体,建一个技能包,这个技能包就跟我的业务系系统挂钩,挂钩起来,然后我再去建一个智能体,这个智能体就跟我的业务系统也挂钩起来。有了智能体建完了以后,我们就可以进入到叫自然语言对话阶段。类似于我的电商查询的智能体,我其实就可以进去做对话了,比如说帮我查一下客户信息,帮我查一下订单信息,这些都是没有任何问题的,但是这个不是重点,核心的重点在哪里呢?就是我们在单个智能体对话的上游。
38:14
我们构建了一个跨多智能体的一个协同的流程,这个协同流程不是人提前约束进去的,是AI真正的理解了你的业务意图以后,自动的去做分析、规划、任务的拆解,然后按需要去底层的不同的或者叫底层的业务系统的MCP server的能力提供点,然后把它自动的串联为一个端到端的协同的流程。类似于跨系统协同的流程,我们来看啊,这个这个例子我从头到尾给大家跑一次,因为这个跑起来比较快啊,我们来看一下,你看。我现在就让他帮我分析编号为ORD000026的电商订单,从采购需求到入库的完整流程。
39:05
因为我模拟的这个情况是,我采购需求是一个独立的系统,有了采购需求以后,我要把采购需求拿到电商系统去下采购订单,有了采购订单以后,最终送货来了以后,我要进库存系统去做接收入库,所以说这好,这个场景刚好就是一个跨多系统协同的场景。那整个跨系统的协同场景是怎么样的呢?我们去问AI的时候。这个时候AI就不是单纯的只是底层的一个MCP上的能力了。他需要理解了你这个业务以后,他需要去调用底层多个业务系统的能力来完成这个事情。所以说我们可以看得到这个地方,它就会有多步的调用和多步的协作。它自动的会去分析你要完成这个事情,究竟会要调哪一些底层的业务系统提供的能力,比如说刚才这个问题,由于是需要去做一个端到端的业务流的串接,他就会分析出来需要去调采购需求智能体,调电商智能体,调库存智能体。对于采购需求智能体调用的时候,其实是类似于一个根据订单做采购需求的反查。
40:21
然后地调电商执行的智能体,调库存的智能体,然后这些智能体它本身也是异步并行执行所有的智能体查询完数据回来以后,他最后再拿到所有的完整的数据,做最后数据的归拢,最终告诉你一个完整的结论。所有的智能体调用完了以后,就会,你看他就会最终拿到这些回来的数据以后,他最终再把这些数据汇合汇总,形成一个最终的一个结论的输出。这样的话,我们就可以很好的去实现一个完整的跨多智能体的协同。因为我原来最早其实是做ESB,做SOA的,大家都知道在OA年代,在我们原来的单体系统年代。
41:08
很多时实际上上层的系统的流程编排,流程协同都是需要我们自己手工去做B做BPM业务流程管理的。但是以后。我觉得这个过程其实它是没有太大的必要的。因为所有的过程,AI在充分的理解了你底层的业务系统的语义以后,它能够自动的去做意图的识别、语义的识别、任务计划的规划和拆解,然后最后帮你完成一个完整的过程。所以这个其实就是我们讲的能力中心,能力中心的核心它其实就是去做一个多个系统的逆向和蒸馏,把它形成能力点,最终接入到我的通用的智能体平台。
我来说两句