🏛️ Palantir 企业 AI 架构深度拆解(Foundry · Ontology · AIP)

一句话总结

Palantir 卖的不是模型或 API,而是一整套让 AI 在企业里安全落地的操作系统:Apollo 托住交付底座,Foundry 负责数据与 Ontology,AIP 把模型接到受控的业务动作上。真正值钱的不是产品名,而是它从业务决定出发、用 Ontology 定义可执行契约、再写回业务系统的顺序。

原始素材

两篇 PDF 的分工

  • Series 03(13 页) 拆「引擎盖下」:产品结构、Ontology 怎么建、Action Type、OAG、Workshop / Chatbot、前 FDE 的大实话。
  • 分享版(18 页) 拆「中国企业怎么学」:官方架构的南北分层、从业务决定出发的 8 步落地、两轮 90 天。
    本笔记把两者合并为「结构 → 机制 → 落地 → 批判」一条线。

一、先看结构,不要先背产品名

Palantir 的当前架构不是「四个平台平行摆放」。AIP 和 Foundry 共享能力网格,Ontology 位于决策中间层,Apollo 托住软件交付。

┌────────────────────── 业务结果层 · NORTH OF ONTOLOGY ──────────────────────┐
│ 分析与应用            Agents 与自动化            产品交付                  │
│ Workshop · Gotham     AIP Logic · Evals          行业产品 · SDK            │
├──────────────────────────── Ontology(决策内核)───────────────────────────┤
│ NOUNS 对象/关系      LOGIC 规则/模型      VERBS Actions/工作流   POLICY 权限/审计 │
│            —— 人和 Agent 的共同操作面 ——                                  │
├──────────────────── 能力服务层 · SOUTH OF ONTOLOGY ───────────────────────┤
│ Data Services(批量/流式/CDC/虚拟表/血缘)                                  │
│ Logic Services(规则/优化器/ML·LLM Functions)                              │
│ Workflow Services(事件/定时/API/审批/写回)                                │
├───────────────────────────────────────────────────────────────────────────┤
│ Apollo:发布、升级、监控、回滚;覆盖云 / 本地 / 边缘 / 气隙环境              │
│ MMDP:Any Data · Any Compute · Any Model;连接既有系统,不重做一遍           │
│ Infra / IT                                                                │
└───────────────────────────────────────────────────────────────────────────┘

三层产品的关系

层角色关键组件一句话
AIPAI 层,依附 FoundryAIP Logic / Chatbot / Assist / Agent StudioLLM 永远不直接碰数据和工具,只通过 Ontology 的 Action Type 操作业务
Foundry数据操作系统 + OntologyData Connection / Pipeline Builder / Ontology Manager / Workshop / Quiver数据接入、清洗、建模、Ontology 构建、权限、应用开发都在这一层
Apollo部署 / CI-CD 底座发布、升级、监控、回滚、气隙部署管软件,不管 GPU;支持完全离线网络是它能做国防/情报客户的技术前提

Palantir 内部工程文档

AIP sits on top of Foundry, which sits on top of Apollo. You cannot have AIP without Foundry. You cannot have Foundry without Apollo. This is a full operating system, not a feature.

官方架构的 9 组能力 / 6 个横向类别

2026 Palantir Architecture Center 的官方口径是 9 组能力、6 个横向类别,Apollo 位于底部:

  • 9 组能力:Data Services、Logic Services、Workflow Services、Ontology Language、Ontology Engine、Ontology Toolchain、Analytics、Agents & Automations、Product Delivery
  • 6 个横向类别:Data、Logic、Workflow、Services、Analytics & Automations、Product Delivery
  • 更底层:Rubix(硬化的高可用 K8s 底座)、MMDP(Any Data / Any Compute / Any Model)

看图顺序

先看 North / Ontology / South 三段,再看 Apollo 和 MMDP 两条底座。只记 Gotham、Foundry、AIP、Apollo 四个名字,会把依赖关系看反。


二、Foundry:数据操作系统 + Ontology

Foundry 是 Palantir 的核心。把它理解为「企业级数据操作系统」——数据接入、清洗、建模、Ontology 构建、权限管理、应用开发都在这一层完成。

Ontology 不是数据库,而是一层覆盖在所有数据源之上的「业务语义层」。每个 Object Type 都有属性、关系、动作的严格定义。

建 Object Type 的四步向导

步骤做什么要点
① 选数据源选择底层数据集作为 Object Type 的数据来源支持 CSV、Parquet、数据库直连、API;一个 Object Type 可关联多个数据集,物理分散、逻辑统一
② 填元数据填名称、描述、所属领域(Domain)定义「业务含义」;好的元数据是可搜索、可治理的前提,Foundry 强制要求
③ 映射属性把数据列映射为 Property可做类型转换、字段重命名、计算派生属性
④ 设主键为 Object Type 设置 Primary Key系统校验唯一性;主键设好后才能被其他 Object Type 引用,建立 Link Type

Object Type 长什么样

OBJECT TYPE  Customer
  customer_id   string   PK
  name          string
  region        string
  tier          enum [Gold, Silver, Bronze]
  orders        Order[]  LINK
  upgrade_tier  Action

传统数据表 vs Ontology Object Type

维度数据表Object Type
语义列名是代号,含义靠猜每个属性有业务定义
关系JOIN 写在 SQL 里,隐式Link Type 显式声明
操作任何 SQL 都能跑只有 Action Type 定义的操作
权限表级或行级对象级 + 属性级 + 操作级
版本靠 migration 脚本内置版本控制和审计

不是「另一层语义标签」

对象只是起点。还要定义对象之间的关系、状态怎么变化、什么规则参与计算、谁能执行哪一个 Action,以及结果如何记录。没有 Verbs 和 Policy,就只是另一层语义标签。


三、Action Type:Palantir 安全模型的基石

LLM 不能「自由发挥」,只能调用预定义好的操作。Action Type 是整套安全模型的关键。

五步配置

步骤内容
① 选操作类型创建、修改、删除、自定义逻辑;不同操作对应不同安全等级和审批流(创建最宽、删除最严)
② 定义参数每个输入参数预定义类型、是否必填、取值范围。例如「修改客户等级」只能传 target_tier: enum
③ 设前置条件Precondition:什么情况下可执行。例如客户近 12 个月消费超过 10 万,才允许升级到 Gold Tier;条件不满足直接拦截
④ 配权限谁能触发:人类用户、特定 Agent、自动化流程;可精细到「只有华北区经理能批准华北客户的等级升级」(Role-Based + Object-Scoped)
⑤ 加 Side Effects执行后的联动:发通知、更新 CRM、触发下游工作流;Side Effects 也预定义,不是 LLM 即兴发挥

安全模型对比

传统模式Palantir 模式
AI 自由操作只有预定义的门存在
操作后审核其他地方全是墙
出事了再回滚每扇门都有锁和日志
先进门,后装摄像头建筑设计阶段就定好通道

Palantir AIP 文档

Action Types on the Ontology.

Ontology 的四维与三层

维度内容
Data数据源与对象属性
Logic规则、模型、函数
Action可执行的操作与工作流
Security权限、审批、审计
三层内容
Language用什么表达对象、关系、动作
Engine如何执行、推理、计算
Toolchain如何开发、版本化、发布
三种状态含义
Semantic(语义)世界有什么、怎么定义
Kinetic(动能)动作内嵌为本体的一部分,不是外挂
Dynamic(动态)状态变化、写回、闭环

四、OAG vs RAG:Palantir 为什么不走 RAG

Palantir 选择了 OAG(Ontology-Augmented Generation),差异不只是技术路径,而是哲学。

RAGOAG
文档Ontology
切块(Chunking)定位业务对象
向量搜索带定义 / 口径 / 权限
拼给模型结构化上下文
生成回答精确回答 + 可审计
非结构化 / 无权限 / 难审计结构化 / 精确 / 可审计

同一个问题

问:Q3 华北家电渠道毛利率是多少?

RAG 回答:搜到三份包含「毛利率」的文档;两份口径不同(含/不含退货);取了置信度最高的 chunk;结果可能是过期数据。

OAG 回答:定位 Object:华北 · 家电 · Q3;口径:含退货、含促销折让;数据源:ERP + CRM 实时;结果:42.3%,↓3.1pp YoY。

OAG 的隐藏能力

不只查数据,还能调确定性工具。Ontology 里的 Action Type 可以触发优化器、计算器、审批流——这是 RAG 做不到的。

别把 OAG 当万能药

OAG > RAG 的前提是你已经有结构化语义。如果业务知识还是一堆非结构化文档,先做结构化;如果你的场景本来就是开放域问答,RAG 仍然合理。两者不是替代关系,而是不同前提下的选择。


五、应用层:Workshop + AIP Chatbot

Ontology 建好了,谁来消费它?

Workshop:Ontology 的消费层

Workshop(拖拽式应用构建器)
   ↓ 消费
Ontology(Object Types + Link Types + Action Types)
   ↓ 连接
Data(ERP / CRM / IoT / 第三方 API)
  • 不写代码:业务人员把 Object Type 的属性拖到仪表盘,把 Action Type 绑到按钮
  • Ontology 变了,Workshop 应用自动更新——因为引用的是语义层,不是底层表

AIP Chatbot Studio:三要素

要素作用
Context Sources选哪些 Object Type 作为上下文;LLM 只能「看到」你选定的对象,看不到的就等于不存在
Tools绑定哪些 Action Type 给 Chatbot;可调用的操作 = 可开的门
Model选用哪个 LLM 后端;Palantir 不绑模型,GPT-4o、Claude、Llama 都行,模型是可替换的零件

「透明窗户」比喻

AIP Chatbot 是一扇透明的窗户,不是一道打开的门。用户能看到 Ontology 的信息,能通过 Action Type 做操作——但看到什么、能操作什么,全由配置决定,不由模型决定。


六、中国企业的落地顺序:从业务决定出发(8 步)

这部分来自「Palantir 企业 AI 架构 · 中国 playbook」,是把官方架构翻译成可执行顺序。

8 步与交付物

#步骤交付物
01先看结构,不要先背产品名一张图:业务应用、决策内核、能力服务、交付底座、横向治理
02从一个业务决定开始一个决策、一个业务负责人、一个损失指标、一个可执行动作
03只接这一条决定需要的数据一条最小数据链;不是新建一座没人敢用的数据湖
04Ontology 建的不是词典,是决定对象、关系、状态机、Function、Action、权限和审计
05大模型最后接模型网关、受控工具、测试集、轨迹、成本与效果监控
06动作必须能写回,失败必须能对账Action Type、审批、幂等键、回执、补偿和决策历史
07Apollo 管软件,不管 GPU发布通道、环境策略、监控、回滚和离线/边缘运行方案
08中国企业分两轮九十天做前 90 天跑通一个有人审批的垂直闭环;后 90 天再接 Agent、评测、模型替换和部署治理

第 02 步的例子

不要先建「企业级 AI 中台」。选一个每天都在发生、结果可以衡量、动作能够写回系统的决定:
未来七天哪些订单会因缺料停线?谁可以调拨库存或批准加急采购?

两轮 90 天

阶段目标验收
前 90 天选一个高价值决定 → 接最小数据 → 定义对象/关系/状态 → 做出一个有人审批、能写回、结果可追踪的 Action 闭环不看模型多聪明,只看业务有没有真的改变
后 90 天再加 Agent,按 K-LLM 假设接入至少两种可替换模型能写回、能追责、能换模型,再复制到第二个决定

与「第 12 集」的关系

落地顺序、K-LLM、Read-Write Loop 的更细讲解见已归档的 第12集 - 中国企业怎么学 Palantir 落地 AI;本笔记补充的是产品内部机制与中国 playbook 的 8 步交付物。


七、前 FDE 的三个大实话

FDE = Forward Deployed Engineer,Palantir 派驻客户现场的工程师。这部分是公开资料与前 FDE 分享,作者与 Palantir 无利益关系。

#真相含义
01极其昂贵,很多项目失败合同动辄千万美金起,但高价不保证成功。很多客户买了 Foundry 才发现:自己的数据治理根本没到能用 Ontology 的程度。FDE 的存在就是为了弥补这个 gap——交付极度依赖人,不是纯产品驱动
02大量重复浪费每个客户的 Ontology 都从零建。医药行业 A 公司建了一套药品 Object Type,B 公司到了再建一遍。行业知识没有跨客户复用机制——这是定制化高客单价与边际成本降不下来的内在矛盾
03产品是踩坑提炼出来的Foundry 的很多最佳实践不是产品团队设计的,是 FDE 在客户现场踩了无数坑后抽象出来的。Action Type 的安全模型、Ontology 的版本控制、Workshop 的构建范式,全是血泪经验。护城河不只是代码,而是 20 年积累的「企业数据怎么治理」的 know-how

Alex Karp 对大模型公司 FDE 模式的批评

大模型公司组建 FDE 团队深入企业一线,表面帮客户找场景,实际是找高消耗场景来锁死迁移成本。服务行业必须 vendor agnostic。大模型厂商搞咨询,就像药厂自己组建医生团队——医生卖药,商业伦理天然矛盾。


八、四个可执行 Takeaway

#Takeaway解释
01先治数据,再谈 OntologyPalantir 项目失败率高的核心原因:客户数据质量不到位。先确保核心业务数据是干净的、有唯一主键的、有明确 owner 的
02Action Type 思维比 Ontology 更紧迫大多数企业最缺的不是知识图谱,而是「AI 能干什么」的边界定义。先定义 10 个最高频的业务操作,把参数、前置条件、权限想清楚
03OAG > RAG,前提是你有结构化语义如果业务知识已经结构化(哪怕 Excel + 数据字典),就不要走 RAG 的弯路。把它建成 Object Type,带上口径和权限,效果远超向量搜索 + chunk 拼接
04模型可换,语义层不可换Palantir 不绑模型,GPT / Claude / Llama 随时切换。模型是消耗品,语义层才是资产

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,不管 GPU)

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。

配套两问:① 模型明天换掉,对象/规则/动作/权限/历史还在不在?② 能不能进我的隔离环境、升级失败能不能回滚?


九、速查表

术语含义一句话
Foundry数据操作系统 + Ontology数据、建模、语义、权限、应用的底座
AIPFoundry 的 AI 扩展层LLM 通过 Action Type 操作业务,不直接碰数据
Apollo软件持续交付平台发布、升级、监控、回滚;支持气隙网络,不管 GPU
Object Type业务对象类型有属性、主键、关系、动作的「活的表」
Link Type对象关系显式声明方向、基数、时间窗口
Action Type受控操作参数 + 前置条件 + 权限 + Side Effects,LLM 只能走门
OAGOntology-Augmented Generation用结构化语义定位对象,而非向量搜 chunk
Kinetic本体的动能动作内嵌为本体的一部分,不是外挂
K-LLM多模型协作一个决定同时调用规则、预测模型、优化器、LLM,随时可替换
FDEForward Deployed Engineer派驻客户现场的工程师,既是交付也是踩坑来源
MMDPMultimodal Data PlaneAny Data / Any Compute / Any Model,连接既有系统
Rubix硬化 K8s 底座高可用、合规、可部署到受限环境

📚 相关笔记

来源与边界

  • 原版 PDF:打开 PDF、打开 PDF
  • 官方资料:palantir.com/docs/foundry/architecture-center(Platforms / Ontology System / AIP Architecture / Multimodal Data Plane)、Apollo Core Concepts、Palantir 2025 Form 10-K
  • 阅读边界:中文架构图是基于官方资料的解释性重绘,不是 Palantir 官方原图;制造业缺料案例与两轮 90 天是面向中国企业的实施建议,不是 Palantir 客户成绩或官方交付承诺。