✅ 本体建模自检清单
一句话总结
本体建模的失败,大多不是模型不够强,而是边界没定、实体没抽对、关系没依据、验证没做。这份清单按「定边界 → 抽实体 → 定类型 → 建层级 → 抽非分类关系 → 验证」六步自查,每一步先回答「卡点问题」,答不上来就别进下一步;最后四条立项标准同时满足才建议启动。
原始素材
- 原版 PDF 已归档:打开 PDF(7 页 · 打印后逐条勾选)
- 作者:心晴九天|同系列:Palantir 企业 AI 架构深度拆解(Foundry · Ontology · AIP)、AI 数据价值重估:Trace · Eval · Governance
- 概念背景:本体 Ontology 全景(概念·标准·构建·落地)
使用方法
按六步顺序自查。每一步先回答「卡点问题」,答不上来就别进下一步。最后四条是立项判断标准,四条同时满足才建议启动。
第一步:定边界
要做的事:说清楚这个本体管什么、不管什么。
卡点
大模型无法自主判断本体该有多大。你不给边界,它会一直往外扩。
自查
- 能用一句话说出本体的范围吗?(例如「只管进项抵扣,不管出口退税」)
- 这个范围是业务方定的,还是技术方猜的?
- 范围外的东西,有明确的「不做」清单吗?
不合格信号
范围描述里出现「以及相关的」「等等」。
第二步:抽实体
要做的事:从文档里把名词找出来。
卡点
整个流程里绝大多数错误在这一步产生,而且越往后越难发现。
自查
- 同一个东西的不同叫法,有没有归成一个?
- 「小规模纳税人」和「小微企业」是两个概念
- 「进项税」和「进项税额」是同一个
- 业务方看过这份实体清单吗?有没有他们认为重要但清单里没有的?
- 清单里有没有其实是数值、日期、状态的东西被误当成实体?
不合格信号
实体清单是模型跑出来直接用的,没人逐条看过。
第三步:定类型
要做的事:判断每个词是什么类型的东西(类 vs 个体)。
卡点
搞错了,这个节点下面就再也长不出东西,规则也挂不上去。
自查
- 逐条问:「这个词指的是一群东西,还是一个东西?」
- 是类的,能举出至少两个属于它的具体例子吗?
- 是个体的,它属于哪个类,说得出来吗?
不合格信号
某个节点既没有子类也没有实例,且不被任何属性引用。
第四步:建层级
要做的事:搞清楚谁是谁的子类。
卡点
方向会反,而且「子类」的定义会被放得很松。方向反了不报错,只是把规则往错的方向传播。
自查
- 每一对父子关系,念一遍「每一个【子】都是一种【父】」,念得通吗?
- 有没有把「部分—整体」当成了「是一种」?
- 反例:发票是发票台账的一部分,不是一种台账
- 有没有把「相关」当成了「是一种」?
- 反例:销项税额和进项税额相关,但不是父子
不合格信号
两个概念经常一起出现,就被判成了父子关系。
第五步:抽非分类关系
要做的事:抽取抵扣、视同销售、纳税义务发生时间这类业务关系。
卡点
公认最难的一步。层级关系在词形里有痕迹,业务关系没有——它不在词里,在制度文件里。
自查
- 每条关系,能指出它的依据在哪份文件的哪一条吗?
- 关系两端的类型限制写了吗?(谁可以抵扣,抵扣什么)
- 有没有关系是「看起来合理」但找不到依据的?
不合格信号
关系是靠常识推出来的,没有制度依据。
实测数据
同一个模型、同一套题,只靠通用知识做非分类关系判定,准确率 60%;把制度原文附上去之后是 100%。
差别不在模型,在有没有给材料。
第六步:验证
要做的事:至少过三道——语法、逻辑一致性、结构缺陷。
卡点
绝大多数方案没有这一步,这正是它们停在原型阶段的原因。
自查
- 语法:文件能被标准工具解析吗?
- 逻辑:有没有跑推理机?有没有自相矛盾的公理?
- 结构:有没有孤立节点、缺少定义域/值域的属性、多个概念共用一个标识?
- 推理机报错时,能定位到具体是哪个概念出问题吗?
四个实测提醒
| # | 提醒 | 说明 |
|---|---|---|
| ① | 用两个推理机交叉验证 | 实测同一个本体,HermiT 判一致、Pellet 判不一致,原因是对 langString 值域这种写法的处理严格程度不同(本体本身没错)。只信一个,就会去修一个本来没错的东西 |
| ② | 报错回灌让模型自己修时,明确禁止它删规则 | 否则它会用「删掉内容」的方式让报错消失——实测出现过规则从 15 条被删到 9 条。做法:把当前规则数和例外数写进修复指令,要求修完不得少于这个数 |
| ③ | 本体不完整时,不要纠缠一致性报错 | 实测:抽了一部分内容时有一条一致性错误怎么都消不掉,逐条剥离 45 条值域声明、45 个属性都没定位到;等把剩下的范围补齐、重跑一遍,这条错误自己没了,一轮就收敛。缺失的上下文会让剩下的公理无法自圆其说。先补齐范围,再看还剩什么 |
| ④ | 修复要用补丁,不要整体重写 | 本体上了几百条三元组之后,让模型重新输出全文一定会被截断,连正确的部分一起丢掉。改成只输出「要删哪几条、要加哪几条」,在图层面应用 |
不合格信号
交付物里没有验证报告。
分段抽取的三个坑(大领域本体必踩)
大领域的本体没法一次生成完,必须分段。实测踩到的坑:
| 坑 | 表现 | 做法 |
|---|---|---|
| 输出被截断 | 加大输出上限会触发别的限制(超长请求被拒),反而更糟 | 反过来:裁剪输入(只喂相关章节)、拆分目标(一段再拆两半) |
| 验证器判「通过」 | 实测踩过一次:截断的产物被验证器放过 | 验证器要显式检查「有没有类」 |
| 截断产物可以救 | 直接丢弃太浪费 | 按空行做块级回退,从末尾一块块往回退到能完整解析的位置。实测救回 306 条里的 300,只丢最后一条不完整的规则 |
跑完一圈,最容易缺的三样东西
| # | 缺什么 | 为什么重要 |
|---|---|---|
| ① | 例外规则 | 例外覆盖八成情况,钱在剩下两成里。举例:法条写「购进并直接用于消费的餐饮服务不得抵扣」,关键是「直接用于消费」——转售是可以抵扣的。这个限定条件如果没被建成显式的例外,系统会给出错误结论 |
| ② | 动作 | 只有实体、关系、度量的图是只读的。要改变业务,动作必须是一等公民;而且每个动作要能授权、留痕、撤回 |
| ③ | 验收标准 | 每条规则靠什么判定被正确执行了?论文用 F1 比对「标准答案本体」,但企业没有标准答案。口径要事先跟业务方约定:比人工基线、看专家采纳率、还是算处理周期 |
立项判断:四条标准
四条同时满足,建议启动;缺任何一条,先补齐再说。
| # | 标准 | 解释 |
|---|---|---|
| 01 | 高频重复,且直接影响收入、成本、履约或风险 | 一年发生三次的事,不要上系统 |
| 02 | 输入材料可数字化,且能连到必要的数据与系统 | 材料在别人手里、系统连不上,本体建得再好也跑不起来 |
| 03 | 有愿意共同定义规则和例外的专家 Owner,且有明确经济买方 | 这两个可以不是同一个人,但都必须存在。没有专家,例外没人给;没有买方,做完了没人签字 |
| 04 | 结果可对人工基线,验收口径双方事先能约定 | 事后再谈标准,一定谈不成 |
一页速查
定边界 → 抽实体 → 定类型 → 建层级 → 抽非分类关系 → 验证
│ │ │ │ │ │
一句话 名词归一 类/个体 "是一种" 制度依据 语法/逻辑/结构
不做清单 业务方看 能举例 非部分/相关 两端限制 双推理机 + 补丁修复
三条最容易记住的原则
- 边界先于建模:没有「不做」清单,本体一定会膨胀。
- 关系必须有依据:没有制度原文支撑的关系,都是模型的常识幻觉。
- 验证是一等公民:没有验证报告的本体,只是原型。
📚 相关笔记
- 本体 Ontology 全景(概念·标准·构建·落地) — 本体的定义、标准(RDF/OWL/SHACL/推理机)与构建方法
- 本体论落地实践:从数据中台到智能中台 — 语义层 / 工具层 / 记忆层的工程落地
- Palantir 企业 AI 架构深度拆解(Foundry · Ontology · AIP) — Action Type 五步配置与写回闭环
- AIP Evolve 医院案例:AI 推理成本优化 — 真实行业案例:语义层减少 LLM 调用 + Evals 护栏
- AI 数据价值重估:Trace · Eval · Governance — 上线后的评测与治理
来源
- 原版 PDF:打开 PDF
- 作者:心晴九天(小红书 howru999)