🏛️ 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
- 原版 PDF 已归档:
- 本主题总纲:本体 Ontology 全景(概念·标准·构建·落地)
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 |
|---|---|---|---|
| AIP | AI 层,依附 Foundry | AIP Logic / Chatbot / Assist / Agent Studio | LLM 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 + Ontology | Data 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。
| RAG | OAG |
|---|---|
| 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 |
| 04 | Ontology 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 |
| 07 | Apollo 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 Ontology | Palantir 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 |
| 02 | Action 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 |
| 03 | OAG > 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 |
| AIP | Foundry 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 |
| OAG | Ontology-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 |
| FDE | Forward Deployed Engineer | 派驻客户现场的工程师,既是交付也是踩坑来源 |
| MMDP | Multimodal Data Plane | Any 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
- 本体 Ontology 全景(概念·标准·构建·落地) — 本主题总纲(概念、标准、构建方法、Oxygen 案例)
- 本体论落地实践:从数据中台到智能中台 — 语义层 / 工具层 / 记忆层,中国企业的最小升级路径
- 本体建模自检清单 — 上线前的检查项,可与本文的 Action Type 五步配置配合使用
- AI 数据价值重估:Trace · Eval · Governance — 上线后的轨迹、评测与治理
- 第12集 - 中国企业怎么学 Palantir 落地 AI — 已归档的落地顺序详解
- 拆解 Oxygen 本体落地架构 — 京东 Oxygen 的三层架构对照