本体建模：一个老概念的大模型时代复兴

先把词说清楚。中文语境里今天谈论的"本体"，至少同时指三件不同的事，它们的热度来源、技术路线和商业逻辑各不相同。

事实2026 年 6 月 3 日，国家数据局印发国数科基〔2026〕25 号《关于推进行业高质量数据集建设行动的实施方案》，明确提出"面向智能体应用，加强知识库、知识图谱、本体等数据集建设"——"本体"首次进入国家级数据政策文件话语，与知识库、知识图谱并列为智能体时代的数据集建设对象。（政策原文 PDF）

事实用友 2026 年 3 月（窗口外背景）发布数据治理多 Agents 协作平台，主打"YonLOM 本体大模型"（Large Ontology Model）加 iuap 统一语义框架；其技术论文《Construct, Align, and Reason》2026 年 1 月提交 ChinaXiv，提出"构建—对齐—推理"框架与 4B 参数 LOM，在自建基准上达 89.47% 准确率。（ChinaXiv 论文；准确率为自建未公开基准，见 §5 缺口说明）

观点腾讯新闻《从管控到赋能》一文提出"本体投射范式""要素—业务双本体架构"，并直言"从 Palantir 到滴普科技的实践证明，本体投射范式不是技术升级，而是思维变革"——显示中国厂商正在系统性对标 Palantir 的本体叙事。

"本体"（Ontology）是一个被计算机科学借用的哲学词。理解今天这波热度，需要先看清它五十年里经历的四次转身。

近半年关键事件（2026 年 4 月—10 月）

经典本体工程的骨架并未改变，改变的是构建方式与使用方式：过去本体是专家手工写给机器读的，今天它越来越多地由 LLM 起草、为人机共同消费。

2.1 构成要素

按斯坦福 Noy & McGuinness《Ontology Development 101》的经典界定，一个本体由四类要素构成，再加上 Gruber 长定义中的公理：

观点海致等中文厂商指出，企业本体还需在经典四要素之外补充三样东西：行为语义（一个动作意味着什么）、动态过程建模（流程如何随时间演变）、业务规则约束（什么条件下可执行）——这是含义 A/B 与学术本体工程最实质的分野。

2.2 建模方法论：从专家七步法到"为 LLM 而建模"

经典方法论（Methontology、NeOn、On-To-Knowledge 等）强调需求工程与领域专家参与，Gruninger & Fox 引入的 competency questions（能力问题）至今仍是本体需求定义与验证的核心手段，常被形式化为 SPARQL 查询。Noy & McGuinness 七步法——确定域与范围 → 考虑复用 → 定义类 → 建分类层级 → 定义属性 → 定义约束 → 创建实例——仍是入门标准，并明确提醒"没有唯一正确的建模方式，开发必然是迭代过程"。

2.3 本体学习与自动构建：传统 NLP vs LLM 辅助

观点2026 年的行业共识正在收敛到一句话："AI 在本体构建上最强之处，是把起草和映射的负担缩小，而不是假装语义正确性可以被全自动。"Semantic Web Journal 对 36 篇论文的系统综述同样指出：LLM 主要扮演辅助本体工程师、领域专家、评估者三种角色，且该领域缺乏统一的任务定义、数据集与评测指标。

2.4 推理与一致性校验：两大阵营的老争论

事实RDF/OWL 阵营有 HermiT、Pellet 等经典推理机，基于形式语义做可审计、可复现的蕴含推理；SHACL 则承担图数据的形状约束校验，W3C 正在推进的 SHACL 1.2 加入了推理规则等新特性。

观点属性图（LPG）阵营被批评"没有推理引擎"：Cypher 查回什么就是什么，LLM 在属性图上做的"推理"被指为"不一致、昂贵、不可审计的猜测"。这是 RDF/OWL 阵营对"LPG + LLM"路线最主要的批评，也是 2026 年技术争论的焦点之一。用友 LOM 的应对方式是把"推理"做成模型的训练目标：本体指令微调 → 文本—本体 grounding → 多任务指令微调与课程学习。

2.5 本体与 LLM 结合的五种范式

2026 年的生态信号很明确：沉寂多年的 W3C 语义网标准栈重新动起来，图数据库厂商向"Palantir 替代品"的位置冲刺，中国厂商则在政策牵引下走出一条项目制路线。

3.1 标准：W3C 语义网标准栈重启

3.2 工具与平台

3.3 代表性厂商

赛道全景：Tracxn 数据显示知识图谱平台赛道共 92 家公司、24 家获融资共 2.49 亿美元；但 2026 年内该赛道未见大额新融资事件（见 §5）。

3.4 中文生态的特殊性

• 政策驱动型热度：国家数据局、工信部文件直接点名"本体"，地方"数据要素×"大赛、"模数共振"行动配套落地——这是中文圈独有的热度引擎，英文圈没有对应物。
• 中文知识资源家底：CN-DBpedia（复旦，940 万实体 / 8000 万三元组）、Zhishi.me（1000 万+ 实体 / 1.25 亿三元组）、XLORE（清华，英汉双语 1000 万+ 实体）、HowNet、OpenKG.CN 开放平台。
• 概念边界更模糊：中文讨论中"本体"同时承载语义网本体、Palantir 式运营本体、数据治理业务模型三重含义，写任何中文"本体"方案之前都需先做概念辨析。

本体这波复兴若成立，影响不在"多了一个建模工具"，而在于它试图成为大模型与企业世界之间的语义契约层——这一节分别算技术账和商业账。

4.1 技术影响

对 AI 架构：事实Gartner 判定传统 RAG 处理不了复杂上下文查询，KG + LLM 的 GraphRAG 是解法之一，2026 年生产级基线（schema-first 约束抽取 + 混合检索 + Agent 式工具调用）已经形成。观点海致进一步提出：Graph Engineering 是 Context Engineering 向图谱的深化，本体是 Harness Engineering 中"控制层 / 记忆层"的内核——目标是"为模型构建可信、可推理、可演化的结构化世界模型"。Neo4j CTO 的说法更直白："GraphRAG 是 RAG 的下一个自然步骤……要捕捉世界模型以及单词模型。"

对数据基础设施：观点"数据中台 → 知识中台"的升级叙事，本质是在数据资产层上叠加一个"语义控制层"，回答数据是什么意思、业务规则是什么、如何执行动作。基础设施侧的配套动作已经出现：Neo4j 推出 Virtual Graph（在 Snowflake / Databricks 上直接跑图算法）与 MCP Server（把图记忆接入 Agent）；被转引的 Gartner《数据库市场指南》称，到 2026 年新建核心系统采用多模架构的比例超 60%。

对知识工程职业分工：观点"AI 生成初稿、人工审核确认"正在成为标准工法（用友 16 个 Agent 协作即按此设计）。但评论同时指出："度量定义与本体工程是根本不同的学科"，多数数据团队并不具备本体建模技能。推测本体工程师可能分化为两类岗位——面向业务语义的"业务语义架构师"（含义 A/B）与守形式化传统的"形式化本体工程师"（含义 C）。

竞合关系：不是替代，是分工

局限与争议（均有来源的批评）

4.2 商业影响：市场有多大

事实Gartner 的另一组预测：采用复合语义策略 + GraphRAG 的组织，到 2028 年响应速度与可靠性可提升 50%。引用时请注意：这是分析师预测，不是既成事实。

典型落地场景

采纳与投资信号：采纳侧，Glean ARR 九个月内从 2 亿升至 3 亿美元、国内大行 AI 场景达数百至上千个、"数据要素×"大赛与"模数共振"提供政策牵引；投资侧，Neo4j 收购 GraphAware（金额未披露）、Accenture Ventures 战略投资 Stardog、Neo4j 公布 1 亿美元 AI 投资路线图。值得注意的是张力所在：事实2026 年内未检索到本体/知识图谱赛道的大额新融资——热度主要体现为大厂并购与产品整合，而非创业融资潮。

把话说满很容易。这一节刻意分开两栏：左边是已有事实支撑的走向，右边是本报告的推测，读者可自行决定采信程度。

信息缺口说明（公开信息不足，如实列示）

1. "本体建模"无独立市场规模数据。现有报告均为"知识图谱市场/平台"口径（2026 年 19–35 亿美元），本体工具与服务作为子集未被单独统计；中国 2026 年实际规模只有 2022 年报告的预测值（296 亿元），无实际值验证。
2. 2026 年内赛道融资事件稀少。除 Neo4j 收购 GraphAware（金额未披露）、Accenture 战略投资 Stardog（日期与金额未公开）外，未检索到窗口内大额融资；Glean 72 亿美元估值是 2025 年 6 月的事件。
3. 用友 YonLOM 的公开可验证信息有限。技术细节仅见 ChinaXiv 预印本，89.47% 准确率基于自建未公开基准；产品侧只有厂商新闻稿与行业报道，无第三方评测。
4. 中文方法论文献不足。中文圈的"本体建模"讨论多为厂商观点文章，缺乏同行评议的方法论与基准论文；学术生产仍以英文圈（ESWC / ISWC / arXiv）为主。
5. 政策文件中"本体"的技术指代不明。国数科基〔2026〕25 号把"本体"与知识库、知识图谱并列，但未给出技术定义，存在被泛化为一切"语义/模型"工作的风险。
6. Palantir 本体在中国的实际落地案例未见公开报道。中文对标多停留在叙事层面，无公开客户案例细节。