第12集 | 中国企业怎么学 Palantir 落地 AI?

很多中国企业做了不少 AI Demo,却迟迟进不了生产。本期把 Palantir 的企业 AI 架构画成一张图,重点不是记住 Gotham、Foundry、AIP、Apollo 这些产品名,而是看懂它的落地顺序:从一个具体的业务决定出发,只连接需要的数据;用 Ontology 定义对象、规则、动作和权限;再让 Agent 调用受控工具,把结果写回 ERP、MES 等业务系统;最后补齐评测、监控、发布和回滚。

两个容易理解错的地方:

  • Ontology 不只是知识图谱,更像一份可以运行的业务契约
  • Apollo 管的是软件持续交付,不是 GPU 或模型训练调度

判断一套企业 AI 是否真正属于自己,可以问一个问题:如果明天更换大模型,业务对象、规则、动作、权限和历史还能不能留下?如果不能,可能只是一个更贵的 Demo。


时间轴·画面与讲解

[00:00] 架构总览与核心理念

画面要点:

  • 架构图来源:Architecture Center 2026,官方口径解释性重绘
  • 标准架构由三套集成平台组成:AIP、Foundry、Apollo
  • 九组能力围绕 Ontology,六个横向类别贯穿两侧
  • 常见误区:只记产品名(Gotham、Foundry、AIP、Apollo),不看依赖关系

讲解要点:

  • 中国企业可以先学会它做事的顺序,不买也可以借鉴
  • 看完整结构,从下往上最底层是 Rubix(硬化 Kubernetes 底座)
  • 中间层是 Ontology(决策内核)
  • 上面是应用层(Workshop、AIP Logic、OSDK)
  • 六个横向类别:Data、Logic、Workflow、Services、Analytics & Automations、Product Delivery
  • Apollo 在最底部托住整层,常被漏掉

[01:00] Rubix:整套架构的底座

画面要点:

  • 官方定义:硬化的、自动扩缩容的、高可用的 Kubernetes 实现
  • 合规标准:FedRAMP High、DOD DISA IL-5/IL-6、CMMC
  • 安全措施:强制加密、workload 隔离、48 小时节点生命周期上限
  • 用途:部署到”世界上最受限、最复杂的环境”

讲解要点:

  • Rubix 原本为跑 Palantir 自己的软件而做,现在也提供给其他软件公司
  • 国内谈私有化、气隙、边缘、等保、信创,对照物就在这一层
  • Palantir 能进最封闭的环境,不是因为模型好,是因为有这一层
  • 很多企业方案讲了三页模型能力,部署环境只有一句话”支持私有化”,这就是差距所在

中国企业学习要点:

  • 不用先做一个 Rubix,但要回答:Agent 的提示、工具、规则有没有版本?升级失败能不能回退?离线或边缘环境怎么运行?

[02:00] Apollo:持续交付平台

画面要点:

  • 官方定义:一个可扩展的用于管理和部署软件的平台
  • 每天在几百个服务器和资产上编排数千次零停机升级
  • 管理内容:发布、升级、监控、回滚、零停机

讲解要点:

  • Apollo 管软件,不管 GPU
  • 不管模型训练、不管算力调度——算力属于横向类别里的 Compute,底座是 Rubix
  • 很多中文解读把 Apollo 写成”私有算力/模型训练调度底座”,这是错误的
  • Apollo 管的是:版本怎么进入云/本地/边缘和隔离环境、怎么灰度、出问题怎么回滚

中国企业学习要点:

  • 不用先做一个 Apollo,先回答几个朴素的问题:
    • Agent 的提示、工具和规则有没有版本?
    • 测试通过后用什么发布?
    • 模型换了要不要重考评测?
    • 一个工厂升级失败,能不能回退?
    • 离线或边缘环境怎么运行?
  • AI 系统每次每改一次都是一次冒险

[03:00] Multimodal Data Plane(MMDP)

画面要点:

  • 官方哲学四个词:Any Data · Any Compute · Any Model · + Anywhere
  • “Anywhere” 是最常被漏掉的第四个词,把前三个和部署能力连起来
  • 数据类型:表格数据、媒体、流式、地理空间
  • 计算引擎:单节点引擎、流式计算、批量计算、BYO Compute(自带计算引擎)
  • 模型策略:Anthropic、OpenAI、Google、Meta、xAI 等
  • 底部标签:BigQuery、Snowflake、Databricks、Postgres、S3、Iceberg、Delta、Trino、DuckDB、Polars、SAP

讲解要点:

  • 不是默认把所有数据复制进一座新数据库
  • 数据以原始格式存储(如 CSV、Parquet),通过 REST、JDBC、S3 兼容接口访问
  • 转换后的数据默认也是开放格式

[04:00] Services:Ontology 之下的三类服务

画面要点:

  • Data:批量、流式、CDC
  • Logic:规则、优化器、LLM
  • Workflow:Action、审批、写回

讲解要点:

  • 连接七件套:Batch、Streaming、CDC、Virtual Tables、Media Connection、Agent-based Connection、Credential Management
  • 关键洞察:2026 年 MMDP 页面全文 CDC 零命中,这和国内先做两年全域治理的习惯刚好相反
  • 只接这一个决定需要的数据
    • 缺料场景可能只要 ERP 订单采购单、MES 工单产线状态、WMS 库存,加供应商交期
    • 其他二百张表先别碰
  • Pioneer 的路径更像一条垂直切片:为了做成一个决定,只接这个决定需要的数据

[05:00] Ontology:决策内核

画面要点:

  • 官方定义原文:Ontology 用来表达企业彼此关联的复杂决定,而不只是数据
  • “决定”二字在官方文档里是斜体,是自己强调的
  • 整合四维:Data · Logic · Action · Security
  • 三层结构:Language / Engine / Toolchain
  • 三层状态:Semantic(语义)、Kinetic(动能)、Dynamic(动态)

讲解要点:

  • 很多人把它理解成知识图谱——这个说法不能算错,但少了一半
  • 少的是:动作、状态、权限和审计
  • Kinetic(动能):动作是本体的一部分,不是外挂上去的
    • 订单、物料、供应商、库存、工单、产线都挂有 Function 和 Action
    • OSDK 从底层伸上来
    • 例子:库存不足时能不能发起调拨?采购金额超过多少必须二次审批?某种替代物能不能用于这张订单?排产被修改后哪些下游对象必须一起更新?
  • 关键结论:只统一名词、不定义状态变化、权限和写回,你得到的是更漂亮的标签,不是 Ontology
  • 它更接近一份可以运行的业务契约:
    • 世界里有什么?
    • 现在是什么状态?
    • 人和 Agent 分别可以做什么?

中国企业学习要点:

  • 不一定要做一个 Palantir 的大平台
  • 可以在现有数仓、主数据、数据库、AIP 和工作流引擎上,补一个薄但稳定的业务对象层
  • 但要守住一条线:对象定义必须和动作一起做

[07:00] Logic Service 与 K-LLM 范式

画面要点:

  • 官方给了名字:K-LLM
  • AIP Logic 每个 block 可指定不同模型
  • Workflow Lineage 支持跨函数批量替换模型
  • Evals 框架做同题多模型对比

讲解要点:

  • Palantir 没有把所有智能都压在大模型上
  • 一个决定可以同时调用:业务规则、预测模型、优化器、LLM Function
    • 库存计算和约束优化可能主要靠传统模型
    • 读供应商邮件、解读方案、把异常翻译成业务人员能看懂的理由——大模型更适合这些
  • CTO 原话:能用 K 模型的时候,不要只用一个
  • 这不是口号,是产品里比较实在的东西

正确理解不是”先别接模型”,而是:

  • 从第一天就假设你会同时用多个模型
  • 并且随时能替换任何一个
  • 这个假设会改变架构——逼你把业务规则、动作边界放在模型外面
  • 企业级平台接模型永远是慢于模型发布的,所以架构不能假设永远用最新模型,只能假设随时能换

[08:30] SuperRepo 与模型接入定位

画面要点:

  • Ontology 定义、Functions、React 前端打包成一个 Pro Code Model Package
  • AIP Invol 进入 Beta,主要是协调 AIFDE Agent
  • 官方 AIP 架构图编号十二类能力,第 1 类才是安全 LLM 接入,其余类都在它外面

讲解要点:

  • 模型接入只占十二分之一
  • Ontology 是更根本的东西:业务对象、规则、动作、权限的定义
  • SuperRepo 把 Ontology 定义作为一个单一版本化的 artifact,这是 Ontology 版本化的答案

核心总结

Palantir 企业 AI 落地顺序

1. 从具体业务决定出发 → 只连接需要的数据(垂直切片,非全域治理)
2. Ontology 定义对象、规则、动作、权限(四维集成:Data·Logic·Action·Security)
3. K-LLM 范式 → 同时用多个模型,随时可替换
4. Agent 调用受控工具,结果写回 ERP/MES 等业务系统
5. 补齐评测、监控、发布和回滚(Apollo)

两个常见误解

误解正解
Ontology = 知识图谱Ontology = 可以运行的业务契约(含动作、权限、写回)
Apollo = 算力/模型调度Apollo = 软件持续交付(发布、升级、监控、回滚)

自测:这套企业 AI 是否真正属于你?

如果明天更换大模型,业务对象、规则、动作、权限和历史还能不能留下?

如果不能,可能只是一个更贵的 Demo。


标签: palantir ontology foundry 企业ai ai实战技巧


08:50

讲解:去改进方锐里面的 AI 系统,自动优化成本、性能和模型选择。还有 Object Timeline 追踪 agent 和人工的编辑。

画面:

PALANTIR 官方原图
同月还有:SuperRepo · AlPEvolve · ObjectTimeline
Multimodal Data Plane: Any Data · Any Compute · Any Model
Kimi-K3 七月已发、GLM-5.2 六月已发,AIP 上是上一代一企业平台接模型永远慢于发布,所
以架构只能假设自己随时能换。SuperRepo(Beta)把 Ontology 定义、Functions、React 前端
打成一个 pro-code monorepo 的单一版本化 artifact。
palantir.com/docs/foundry/announcements/2026-08
还有 ObjectTimeline 追踪

09:00

讲解:带 token 用量、运行时长和 Agentic Coverage 指标。这是把 agent 的可观测性落到对象级别。然后再说 AIP 整体啊,Palantir 2026 年的 AIP 架构图列了 12 类能力。

画面:

PALANTIR 官方原图
同月还有:SuperRepo · AlPEvolve · ObjectTimeline
Multimodal Data Plane: Any Data · Any Compute · Any Model
Kimi-K3 七月已发、GLM-5.2 六月已发,AIP 上是上一代一企业平台接模型永远慢于发布,所
以架构只能假设自己随时能换。SuperRepo(Beta)把 Ontology 定义、Functions、React 前端
打成一个 pro-code monorepo 的单一版本化 artifact。
palantir.com/docs/foundry/announcements/2026-08
然后再说 AIP 整体啊

09:08

讲解:编号特别清楚。第一个呢是安全的 LLM 接入。

画面:

官方口径
2026.08
同月还有:SuperRepo · AlPEvolve · ObjectTimeline
解读性重绘
中国企业怎么学
Multimodal Data Plane
0099159
Data · Logic · Workflow · Aatran · MMDP · Aovoaony
10 七上个月,中国开源模型进了 AIP
Functions · Penu
打成一个 pro-code monorepo v3.2 GLM5、Kimi 2.5 经 AWS Bedrock 接入
orAIPry
是安全的 LLM 外接入

09:20

讲解:接下来呢第二类呢是端到端可观测、Context Engineering、Ontology System、安全与治理、Agent 的生命周期、运营自动化、开发环境、人机系统应用。

画面:

Palantir AIP Architecture Overview
AIP / 4 / CONTEXT ENGINEERING / [DATA, LOGIC, ACTIONS] / MMDP, Real-Time & No-Code
AIP Architecture
Contextual Data
Secure LLM Integration & Access
External Logic / Building Functions
2 / End-to-end Observability
Contextual Logic
Context Engineering
The Ontology System
Event-driven, Str / Edge integration
5 / Vector, Compute, Tool Services
6 / Security & Governance
Systems of Action
7 / Agent Lifecycle
8 / Operational Automation
9 / Development Environments
11 / 6 / 10 / Human+AI Applications
PACKAGE, RELEASE, DEPLOY
SE / 11 / Package Release & Deploy
& / 12 Enterprise Automation
Product Packaging
Dependency Management
Environment Management
Release Channels...
AC / DEVELOPMENT ENVIRONMENTS
Integrated VS Code
Integrated Jupyter
Compute Modules
10 / HUMAN+AI APPLICATIONS
No/low-code App Building
Object-oriented Analytics
Real-time Analytics
Workflow Management
Resource Management
12 / ENTERPRISE AUTOMATION
AIFDE, AIPA assist
生命周期运营
Code Assist PSDK
AI-enabled Pipeline
OPalantir

09:30

讲解:打包发布部署企业自动化。那模型接入呢只是 12 分之 1。如果一个企业 AI 平台只有模型网关、RAG 和 Agent 编排,它离生产系统还差得很远。

画面:

Palantir AIP Architecture Overview
RAIP?
CONTEXT ENGINEERING
[DATA, LOGIC, ACTIONS]
MMDP, Real-Time, Pro-Code &
Contextual Data
AIP Architecture
External Logic, Model Building Functions
Secure LLM Integration & Access
2 / End-to-end Observability
Contextual Logic
3 / Context Engineering
4 / The Ontology System
Event-driven, Streaming, Edge Integration
5 / Vector, Compute, Tool Services
6 / Security & Governance
Systems of Action
7 / Agent Lifecycle
8 / Operational Automation
9 / Development Environments
11 / 10 / Human+AI Applications
PACKAGE, RELEASE, DEPLOY
11 / Package, Release, & Deploy
12 Enterprise Automation
Product Packaging
Dependency Management
Environment Management
Release Channels...
DEVELOPMENT ENVIRONMENTS
Integrated VS Code
Integrated Jupyter
Compute Modules
MCP, IDE Extensions
10 / HUMAN+AI APPLICATIONS
No/Low-code App Building
Object-oriented Analytics
Real-time Analytics
Workflow Management
12 / ENTERPRISE AUTOMATION

09:40

讲解:那现在回到刚才的缺料场景啊,讲写回。

画面:

Architecture Overview
CONTEXT ENGINEERING
ONTOLOGY
[DATA, LOGIC, ACTIONS]
MMDP, Real-Time, Pro-Code & No-Code
Ontology Core
Contextual Data
--
External Logic Model Building Functions
Access
Contextual Logic
Semantic
Event-driven, Streaming, Edge Integration
Tool Services
sa
Systems of Action
Data
Logic
11 / 6
PACKAGE, RELEASE, DEPLOY
SECURITY & GOVERNANCE
Product Packaging
Dependency Management
Environment Management
Release Channels...
AGENT LIFECYCLE
9 / Agent
DEVELOPMENT ENVIRONMENTS
Build
Integrated Jupyter
Integrated VS Code
Compute Modules
Agent
MCP, IDE Extensions
Orc
10 / Evaluate
HUMAN+AI APPLICATIONS
Suite
No/low-code App Building
Object-oriented Analytics
Real-time Analytics
Workflow Management
高风险订单
12 / End-to-end
ENTERPRISE AUTOMATION
Observa

09:55

讲解:找到 3 张高风险订单,生成两个调拨方案。那采购经理呢选第二个,系统写回 ERP,同时修改对应工单。嗯,仓库实际只调出了 8 成,呃,只调出八成库存,对吧?原因也被记录下来。那到这里呢,闭环才开始有价值啊。

画面:

Overview:12 类能力
VIEW
ONTOLOGY
AGENTs
SECURITY
AUTOMATIONS +
RELEASE, DEPLOY
& GOVERNANCE
SECURE LLM INTEGRATION
A

10:10

讲解:官方有一张图专门讲这个事儿叫 Read-Write Loops。图里人和 agent 通过同一套 interface 进 Ontology。那每个对象都带 properties、actions、automations 自来。左边呢写回外部系统,右边读取外部系统。那下面还有一条 external write。

画面:

PALANTIR 官方原图
AIP Architecture Overview:12 类能力
Palantir AIP Architecture Overview
AIP
QPalantir
还包括端到端可观测、Context Engineering、Agent 生命周期、Evals、运营自动化、发布部署。
如果一个企业 AI 平台只有模型网关、RAG 和 Agent 编排,它离生产系统还差十一类。
palantir.com/docs/foundry/architecture/
architecture

10:20

讲解:那下面还有一条 external write。注意人和 agent 是并排的,走同一套接口,收同一套权限,这是整张图最重要的细节哈。那下一次系统就可以知道了,哪个建议是可以被接受的,执行到哪儿?

画面:

PALANTIR 官方原图
Ontology System: Read-Write Loops
Palantir
重试会不会调两次库存?ERP 成功但 Agent 超时怎么对账?所以 Action 旁边必须有幂等键、回
执、补偿、审计和人工接管。闭环不是把聊天记录塞回向量库,是把决定和结果放
进对象的历史里。
paLant1r
那下面还有一条 external writes
可以被接受

10:30

讲解:发生了什么偏差?不是把聊天记录塞回向量库,而是把决定和结果放回业务对象的历史。但写回一定要注意处理。

画面:

Loops
Agent / Human / Agent / Human / Agent / Human / Agent / Human
Interfaces
Ontology
.Write
Object / Object / Object
Properties / Link
Functions / Properties / Link
.Properties
x Functions
Fun
.Write
本
Actions
pRead
Object / Object / Object
Link / 二 Properties / Link
.Properties
e.Write
f:Fun
pRead
Object / Object
Link
Properties
e.Write
f:Fun
pRead
Object / Object
Link
Properties
e.Write
ExternalWrites
助力处理

10:47

讲解:麻烦的这个现实,同一条请求重试,然后会不会调两次库存呀?然后 ERP 已经成功了,Agent 超时了,怎么对账呀?然后审批以后,供应商状态变了,要不要重新计算?

画面:

PALANTIR 官方原图
Ontology System: Read-Write Loops
Ontology System Read-Write Loops
重试会不会调两次库存?ERP 成功但 Agent 超时怎么对账?所以
ion 旁边必须有幂等键、回执、补偿、审计和人工接管。闭环不是把聊天记录塞回向量库,是把决定和结果放
进对象的历史里。
供应商状态变了

11:00

讲解:所以 action 旁边呢还要有幂等键、回执、补偿、审计和人工接管,没有这些呢所谓闭环,就是 demo 顺利时看起来比较完整啊。最上面一层呢,我们要纠正一个常见的画法,就是 Gotham 其实不在应用层里。

画面:

PALANTIR 官方原图
Ontology System: Read-Write Loops
Ontology System Read-Write Loops
QPalantir
重试会不会调两次库存?ERP 成功但 Agent 超时怎么对账?所以 Action 旁边必须有幂等键、回
执、补偿、审计和人工接管。闭环不是把聊天记录塞回向量库,是把决定和结果放回业务对象的历
史里。

11:10

讲解:那 Gotham 它最早的组件呢是在标准的 AIP 和 Foundry 加 Apollo 架构之前开发的。

画面:

PALANTIR 官方原图
Interoperability: Palantir Provided vs Bring Your Own
Interoperability Data Flow Security
原图左右分两栏。BYO 那栏写着:自带业务规则、自带 ML 模型、自带优化器、自带 GenAI 模
型,实时 ERP 同步,实时 MES 与 PLM 集成,边缘上的对象和函数。它把保留现有 IT 的一句主张变成一张清单。
palantir.com/docs/foundry/architecture
Apollo 架构之前开发的

11:20

讲解:那现在我们所有 offering 都已经完整集成进标准架构。那 Gotham 那套多模态应用和工具呢,是由 Foundry 管理的 Ontology 驱动。

画面:

ARCHITECTURE CENTER · 2026
核验 2026.08
Palantir 企业 AI 架构
官方口径
解读性重绘
中国企业怎么学
OFFERINGS 交付形态
Gotham
Hospitals · Warp Speed · Skywise
追 alpha
可以自建自己的 offering
不是买 beta
APPLICATIONS ONTOLOGY 之上
分析与应用
Agent 与自动化
产品交付
Workshop · 对象型分析
AIP Logic · Evals
OSDK · SuperRepo
ONTOLOGY 决策内核
LANGUAGE · ENGINE · TOOLCHAIN
Ontology
对象 · 链接 · 属性 | 读写 · 事务
企业的决定,不只是数据
四维集成
人 + Agent 的共同操作面
Data · Logic · Action · Security
13 / Gotham 不在应用层,它是 offering
官方:Gotham 那套多模态应用由 Foundry 管理的 Ontology 驱动。并列
的有 Hospitals、Skywise、RaceOS。

11:30

讲解:和 Gotham 并列的呢还有 Palantir for Hospitals、Warp Speed、RaceOS 以及客户自己造的。比如空客用 Skywise 撑起整个航空的这个生态哈。富士通建了一套专门的。

画面:

PALANTIR 官方原图
官方自己的反 SaaS 论证:alpha vs beta
Enterprise OS Products for Alpha
HYBRID
Analytics
Automations
Agents &
Product
Delivery
Ontology
Ontology
Ontology
Language
Engine
Toolchain
Data
Workflow
QPalantir
成功的部署是企业在追 alpha——围绕自己的差异化建设,把自身特殊性注入 ontology。beta 是
追唾手可得的果实,比如一刀切 SaaS 里的基础方案。所以 offering 是可以自己造的,Airbus 和
Andretti 就自己造了。
富士通呢建了一套

11:40

讲解:把这套应用啊,iRobot Racing 呢做了一个 RaceOS,把实时赛车数据接入 AI 的应用。那这个修正呢对我们企业有实际的意义,就是 offering 是可以自己造的。

画面:

PALANTIR 官方原图
官方自己的反 SaaS 论证:alpha vs beta
Enterprise OS Products for Alpha
HYBRID PRODUCTS
CUSTOMER
Analytics
Automations
Agents &
Product
Delivery
Ontology
Ontology
Ontology
Language
Engine
Toolchain
Data
Workflow
Services
QPalantir
成功的部署是企业在追 alpha——围绕自己的差异化建设,把自身特殊性注入 ontology。beta 是
追唾手可得的果实,比如一刀切 SaaS 里的基础方案。所以 offering 是可以自己造的,Airbus 和
Andretti 就自己造了。
修正呢
的行业交付形态

11:50

讲解:你不需要买一个叫 Gotham 的东西,你需要基于自己的对象层,到一个只有你能造的行业交互形态。

画面:

PALANTIR 官方原图
官方自己的反 SaaS 论证:alpha vs beta
Enterprise OS Products for Alpha
HYBRID PRODUCTS
CUSTOMER
Analytics
Automations
Agents &
Product
Delivery
Ontology
Ontology
Ontology
Language
Engine
Toolchain
Data
Workflow
Services
QPalantir
成功的部署是企业在追 alpha——围绕自己的差异化建设,把自身特殊性注入 ontology。beta 是
追唾手可得的果实,比如一刀切 SaaS 里的基础方案。所以 offering 是可以自己造的,Airbus 和
Andretti 就自己造了。

12:00

讲解:那 Palantir 也是这么说的哈,官方用了一个比喻:一次成功的 Palantir 部署呢是企业在追 alpha,围绕自己差异化去建设,把自己的特殊性注入 ontology。

画面:

PALANTIR 官方原图
官方自己的反 SaaS 论证:alpha vs beta
Enterprise OS Products for Alpha
HYBRID PRODUCTS
CUSTOMER
Analytics
Automations
Agents &
Product
Delivery
Ontology
Ontology
Ontology
Language
Engine
Toolchain
Data
Workflow
Services
QPalantir
成功的部署是企业在追 alpha——围绕自己的差异化建设,把自身特殊性注入 ontology。beta 是
追唾手可得的果实,比如一刀切 SaaS 里的基础方案。所以 offering 是可以自己造的,Airbus 和
Andretti 就自己造了。
palantir.com/docs/foundry/architecture-center/platforms
把自己的特殊性注入 ontology

12:10

讲解:那 beta 是什么呢?是追唾手可得的果实,比如一套一刀切的 SaaS 里的基础方案。那这套架构你能支撑这类的用例啊,但理想情况下,它们是只追 alpha 的副产品。

画面:

己的反 SaaS 论证:alpha vs beta
Enterprise OS Products for Alpha
HYBRID PRODUCTS
CUSTOMER
ENTERPRISE
AGENTS & AUTOMATIONS
MOBILE
S
EDGE
Analytics
Agents &
Product
Automations
Delivery
Ontology
Ontology
Ontology
Language
Engine
Toolchain
Data
Logic
Workflow
Services
Services
Services
部署是企业在追 alpha——围绕自己的差异化建设,把自身特殊性注入 ontology。beta 是
追唾手可得的果实,比如一刀切 SaaS 里的基础方案。所以 offering 是可以自己造的
就自己造了。
/docs/foundry
也能支撑这类的用例啊

12:20

讲解:所以我们可以直接回答我们现在的一些老问题,就是为什么我买了一样的产品就做不出一样的效果?因为你买的是 beta。

画面:

Enterprise OS Products for Alpha
HYBRID
PRODUCTS
CUSTOMER
ENTERPRISE
AGENTS & AUTOMATIONS
MOBILE
S
EDGE
Analytics
Agents &
Product
Automations
Delivery
Ontology
Ontology
Ontology
Language
Engine
Toolchain
Data
Logic
Workflow
Services
Services
Services
就做不出一样的效果
是企业在追 alpha——围绕自己的差异化建设,把自身特殊性注入 ontology

12:30

讲解:还有一层呢比较容易被忽略,就是它不在软件里。就是 FDE。他现在比较热啊,他其实是工程师被深入嵌入到全球的关键环境里。

画面:

PALANTIR 官方原图
官方自己的反 SaaS 论证:alpha vs beta
Enterprise OS Products for Alpha
HYBRID PRODUCTS
CUSTOMER
Analytics
Automations
Agents &
Product
Delivery
Ontology
Ontology
Ontology
Language
Engine
Toolchain
Data
Workflow
QPalantir
成功的部署是企业在追 alpha——围绕自己的差异化建设,把自身特殊性注入 ontology。beta 是
追唾手可得的果实,比如一刀切 SaaS 里的基础方案。所以 offering 是可以自己造的,Airbus 和
Andretti 就自己造了。
它其实是工程师被深入

12:40

讲解:从战区到工厂车间,跟客户一起走很多路,不停地进和发新功能。那这一层呢在我们企业里其实是容易复制的,也是比较少的企业来做的。

画面:

ARCHITECTURE CENTER · 2026
核验 2026.08
Palantir 企业 AI 架构
官方口径
解读性重绘
中国企业怎么学
OFFERINGS 交付形态
Gotham
Hospitals · Warp Speed · Skywise
追 alpha
可以自建自己的 offering
不是买 beta
APPLICATIONS ONTOLOGY 之上
分析与应用
Agent 与自动化
产品交付
Workshop · 对象型分析
AIP Logic · Evals
OSDK · SuperRepo
ONTOLOGY 决策内核
LANGUAGE · ENGINE · TOOLCHAIN
Ontology
对象 · 链接 · 属性 | 读写 · 事务
企业的决定,不只是数据
四维集成
人 + Agent 的共同操作面
Data · Logic · Action · Security
SECURITY
SERVICES ONTOLOGY 之下
Data
Logic
Workflow
批量 · 流式 · CDC
规则 · 优化器 · LLM
Action · 审批 · 写回
MULTIMODAL DATA PLANE
MMDP
Any Data · Any Compute · Any Model
+ Anywhere ← 常被漏掉的第四个词
APOLLO 持续交付
Apollo
发布 · 升级 · 监控 · 回滚 · 零停机
不管 GPU
RUBIX
整套架构的底座
Rubix
硬化 · 高可用 Kubernetes · FedRAMP High
14
两轮九十天,和两个验收问题
/14
前九十天:一个决定、最小数据链、一个有人审批能写回可追踪的 Action 闭环。后九十天再加 Agent。
在我们企业里

12:50

讲解:它不太用于采购哈,就是只要决定说让你的工程师去到线产线上去待着就行了。

画面:

ARCHITECTURE CENTER · 2026
核验 2026.08
Palantir 企业 AI 架构
官方口径
解读性重绘
中国企业怎么学
OFFERINGS 交付形态
Gotham
Hospitals · Warp Speed · Skywise
追 alpha
可以自建自己的 offering
不是买 beta
APPLICATIONS ONTOLOGY 之上
分析与应用
Agent 与自动化
产品交付
Workshop · 对象型分析
AIP Logic · Evals
OSDK · SuperRepo
ONTOLOGY 决策内核
LANGUAGE · ENGINE · TOOLCHAIN
Ontology
对象 · 链接 · 属性 | 读写 · 事务
企业的决定,不只是数据
四维集成
人 + Agent 的共同操作面
Data · Logic · Action · Security
SERVICES ONTOLOGY 之下
Data
Logic
Workflow
批量 · 流式 · CDC
规则 · 优化器 · LLM
Action · 审批 · 写回
MULTIMODAL DATA PLANE
MMDP
Any Data · Any Compute · Any Model
+ Anywhere ← 常被漏掉的第四个词
APOLLO 持续交付
Apollo
发布 · 升级 · 监控 · 回滚 · 零停机
不管 GPU
RUBIX
整套架构的底座
Rubix
硬化 · 高可用 Kubernetes · FedRAMP High
14
两轮九十天,和两个验收问题
/14
前九十天:一个决定、最小数据链、一个有人审批能写回可追踪的 Action 闭环。后九十天再加 Agent。
产线上去待着就行啊

13:00

讲解:所以如果让我给中国的企业排一个落地的顺序呢,我大概会分为两轮吧。那前三个月呢不追求自制哈。

画面:

ARCHITECTURE CENTER · 2026
核验 2026.08
Palantir 企业 AI 架构
官方口径
解读性重绘
中国企业怎么学
OFFERINGS 交付形态
Gotham
Hospitals · Warp Speed · Skywise
追 alpha
可以自建自己的 offering
不是买 beta
APPLICATIONS ONTOLOGY 之上
分析与应用
Agent 与自动化
产品交付
Workshop · 对象型分析
AIP Logic · Evals
OSDK · SuperRepo
ONTOLOGY 决策内核
LANGUAGE · ENGINE · TOOLCHAIN
Ontology
对象 · 链接 · 属性 | 读写 · 事务
企业的决定,不只是数据
四维集成
人 + Agent 的共同操作面
Data · Logic · Action · Security
A
SERVICES ONTOLOGY 之下
Data
Logic
Workflow
批量 · 流式 · CDC
规则 · 优化器 · LLM
Action · 审批 · 写回
MULTIMODAL DATA PLANE
MMDP
Any Data · Any Compute · Any Model
+ Anywhere ← 常被漏掉的第四个词
APOLLO 持续交付
Apollo
发布 · 升级 · 监控 · 回滚 · 零停机
不管 GPU
RUBIX
整套架构的底座
Rubix
硬化 · 高可用 Kubernetes · FedRAMP High
14
两轮九十天,和两个验收问题
/14
前九十天:一个决定、最小数据链、一个有人审批能写回可追踪的 Action 闭环。后九十天再加 Agent。
不追求资质哈

13:10

讲解:选一个高价值的决定,接通最小数据点。定义对象关系和状态,做出一个有人审批能写回结果可追踪的 action 闭环。那这轮验收呢,我们不看模型有多聪明,只看业务有没有真的改变。

画面:

PALANTIR 官方原图
Enterprise Operating System
AIP, Foundry, and Apollo: The Enterprise Operating System
Foundry
RAIP
Apollo
QPalantir
问供应商两句:一、模型明天换掉,业务对象、规则、动作、权限和历史还在不在?二、能不能进
我的隔离环境,升级失败能不能回滚?第一句查 Ontology 和 kLLM,第二句查 Apollo 和
Rubix。
palantir.com/docs/foundry/a/

13:20

讲解:错误能不能发现、失败能不能恢复?那后三个月呢,我们再加上 agent。按 kLLM 的这个假设介入至少两种可替换的模型。

画面:

PALANTIR 官方原图
Enterprise Operating System
AIP, Foundry, and Apollo: The Enterprise Operating System
Foundry
RAIP
Apollo
问供应商两句:一、模型明天换掉,业务对象、规则、动作、权限和历史还在不在?二、能不能进
我的隔离环境,升级失败能不能回滚?第一句查 Ontology 和 kLLM,第二句查 Apollo 和
Rubix。
com/docs/foundry/a/
按 kLLM 的这个假设

13: