本体论与知识工程-AiDD研发数字峰会2026-深圳站

论坛主席：王昊奋

同济大学百人计划，特聘研究员，博士生导师。研究方向包括知识图谱、自然语言处理、对话问答机器人等。长期在一线人工智能公司担任CTO之职。他是全球最大的中文开放知识图谱联盟OpenKG发起人之一。他负责主持多项国家级和上海市AI相关项目，发表100余篇AI领域高水平论文，被引用次数达到2900余次，H-index达到26。他构建了全球首个可交互养成的虚拟偶像—“琥珀·虚颜”；所构建的智能客服机器人已累计服务用户超过10亿人次。目前，他担任中国计算机学会术语工委副主任，SIGKG主席，上海秘书长，中国中文信息学会理事，语言与知识计算专委会副秘书长，上海市计算机学会自然语言处理专委会副主任，上海交通大学AI校友会秘书长等社会职位。

同济大学长聘教授/OpenKG发起人之一/AiDD技术委员会成员

本体论与知识工程

本论坛聚焦数据如何从资产走向知识、再走向决策，讨论政务、金融、医疗、工业等场景中的知识建模与智能应用。论坛将围绕本体设计、关系抽取、知识图谱、RAG增强、推理分析、可视化决策等主题展开，探索如何让数据真正服务运营、获客、分析和决策。听众将理解知识工程在企业智能化中的核心价值。

确定性与泛化之间：大模型时代的知识工程新边界

赵培龙

杭州智萃引擎 CTO

内容简介：

传统知识工程通过将专家经验转化为明确的概念、规则和约束，使机器能够稳定地处理专业问题。但真实业务场景复杂多变，知识越具体，执行越确定，构建与维护成本也越高；知识越抽象，覆盖范围越广，却越难直接支撑机器决策。大模型的出现改变了这一矛盾的基础：机器开始具备基于通识知识和上下文处理新问题的能力，却也带来了推理边界不清、结果难以稳定控制的问题。
这带来一个新的知识工程问题：当大模型本身已经具备推理能力，我们还需要把专家知识描述到多细？本次分享将结合专业业务实践，探讨如何让明确知识保障确定性，让高层知识约束模型对未知场景的推理，在知识的确定性与模型的泛化能力之间寻找新的平衡，并重新思考大模型时代本体与知识工程的角色。

演讲提纲：

1. 真实业务的矛盾：专业要求确定，但场景无法穷举
专业业务要求决策稳定、可控，但真实场景持续变化、组合复杂，不可能为每一种情况都预先定义具体处理方式。
2. 大模型带来的新解法与新矛盾：确定性 vs. 泛化
大模型能够利用先验知识处理未见场景，使“规则之外仍可推理”成为可能；但模型拥有的推理空间越大，专业可靠性与可控性就越难保证。
3. 从穷举具体知识到约束开放推理
明确场景由具体知识确定处理方式，未覆盖场景则利用更高层的专业知识约束模型推理，让确定性知识与模型泛化能力形成互补。
4. 知识该建多细，模型该推多远
结合专业业务实践，讨论知识具体程度、模型推理空间与可靠性之间的关系，以及大模型时代本体与知识工程的新边界。

听众收益：

1. 从“确定性要求与场景不可穷举”的矛盾出发，重新思考大模型时代知识工程的价值与边界。
2. 分享专业场景中确定性知识与大模型泛化能力协同的实践观察，以及仍待解决的关键问题。

曾任华为系统架构师、蚂蚁集团知识图谱技术专家，长期从事系统架构、知识图谱、本体与大模型知识工程相关技术研发与实践。拥有十余项海内外发明专利，开源项目 OpenSPG / KAG Core Committer。近年来重点关注大模型与知识工程的融合，探索如何利用本体、领域知识与大模型推理能力，提升专业场景下智能系统的可靠性与泛化能力。

业务目标驱动的 AI 本体构建：DataArts 的人机协同与增量演进探索

贺张俭

华为云智能数据决策高级工程师

内容简介：

企业业务知识分散在数据表、文档和人员经验中，将其转化为可用本体，需要同时处理业务概念建模、实例抽取和后续维护。本分享结合 DataArts 的产品设计与原型探索，讨论业务目标如何指导本体构建，模型结构与实例数据如何协同校验，以及如何通过来源追溯和人工审核确认生成结果。围绕设备服务场景，重点剖析结构化业务事实与文档知识的关联方式、参考 Schema 与既有模型约束的区别，以及新增资料进入后模型稳定性与扩展需求之间的取舍，并提出从业务问题覆盖、人工修正成本和增量一致性评价构建质量的方法。

演讲提纲：
1. 业务目标与建模范围（5分钟）：以设备服务场景说明原始资料如何转化为业务概念，讨论不同任务下的模型范围、粒度与共用概念。
2. 模型结构与实例协同构建（12分钟）：从候选类型、属性和关系生成，到模型确认与实例抽取，讨论参考 Schema、既有模型约束和实例反馈的作用。
3. 结构化事实与文档知识融合（13分钟）：区分具体设备与设备型号、已发生事实与一般规则，分析跨来源对象对齐、关系表达和适用条件。
4. 人工审核与增量演进（15分钟）：结合构建与审核原型，讨论生成依据、语义修正、新增概念复用，以及既有模型稳定性与知识扩展的取舍。
5. 构建质量评估与经验总结（5分钟）：提出业务问题覆盖、人工修正成本和增量一致性的评估方法，梳理设计边界与待验证问题。
另留5分钟问答。

听众收益：
1. 获得业务目标驱动的本体构建方法，理解模型结构与实例数据的关系，判断参考 Schema、既有模型约束和人工确认各自的适用位置。
2. 获得结构化业务事实与非结构化文档知识融合的设计参考，识别对象粒度、事实与规则、来源依据及适用条件等关键问题。
3. 获得本体审核、增量维护与质量评估的检查要点，能够从业务可用性和人工修正成本评估 AI 辅助构建方案。

华为云智能数据决策高级工程师，参与智能数据决策平台与 AI 辅助研发相关工作，关注本体建模、企业数据与知识融合及智能体应用。Apache BookKeeper、Apache ServiceComb PMC 成员，Apache Pulsar、ApolloConfig Committer，openGemini Maintainer。曾在 Community Over Code Asia 分享数据与 AI 平台、规约驱动开发及高可靠消息服务等工程实践。

从本体到可控 Agent：OpenBKN 的企业业务知识网络开源实践

李基亮

上海思可为智能 CEO

内容简介：

本体并非单纯的数据建模技术，而是智能体理解业务、调用工具与实施控制的语义层。Palantir“平台＋FDE”的双螺旋证明了其价值，却也高度依赖长期资本、高端研发与深度交付。中国企业软件预算有限，常将 FDE 视为一次性实施，导致平台研发与交付人才投入难以持续，陷入低价定制循环。OpenBKN 尝试探索另一条路径：以开源本体平台沉淀通用能力，以生态化 FDE 服务连接行业实践，让语义资产可复用、交付经验可扩散。我们的愿景是成为全球企业与开发者共同信赖的开源本体生态，让每家企业都用得好、用得起本体平台。

演讲提纲：

1. 企业 Agent 落地的真实难题：数据、规则、权限和流程分散，单靠 RAG 与提示词难以稳定支撑业务行动
2. OpenBKN 的建模方法：以“对象—关系—风险—行动”描述业务语义，将数据、规则和操作边界显式化
3. 运行时实现：按任务动态装载业务上下文，连接数据与工具，并在执行中加入权限、风险控制和证据追溯
4. 开源实践演示：从一个具体业务场景出发，展示本体建模、数据连接、Agent 调用与执行链路；同时介绍现有 HR 场景样本和公开基准验证
5. 项目现状与共建方向：OpenBKN 仍处于早期开源阶段，期待与行业伙伴共建可复用的行业本体、样例和交付方法

听众收益：

1.获得一套将企业业务知识转化为 Agent 可用语义层的具体建模与工程路径。
2.理解本体如何补足 RAG/提示词在业务规则、行动约束、权限治理与可追溯性上的不足。
3.可基于开源代码、SDK 与公开样例，快速判断并启动一个小范围的企业 Agent 验证场景。

现任上海思可为智能科技有限公司 CEO，拥有 20 年数据管理、数据智能领域经验，曾领导 200 人以上精益产品研发团队，带领 AnyShare 进入 Gartner 内容协作平台魔力象限，并主导创立北方大数据交易中心。

从半自动到AI无人值守-荣耀基于本体论控制论的软件交付工程实践

董军

荣耀终端营销服务领域资深IT专家期待

内容简介：

本次分享从行业痛点切入，AI 编码能力指数级提升，但团队交付效率并未同步跃升。针对AI交付瓶颈不在模型，而在交付体系结构问题，分享荣耀在营销服IT领域的AI交付流水线工程化的落地实践。
本演讲从"语义断层、上下文断层、控制断层"三类AI流水线落地痛点出发，提出将已被 Palantir、DevOps 等验证的"本体"与"控制闭环"实践延伸到 AI 交付场景。通过 SDD，让 AI 基于统一事实源工作，解决语义断层和上下文断层；通过 Harness 控制闭环，让 Agent 交付可观测、可验证、可控、可干预、可度量、可演进，解决控制断层。

演讲提纲：

1.矛盾与根因:AI无人值守流水线的痛点在哪里？
2.可行性分析:AI无人值守流水线为什么是可能的？
3.SDD本体论工程化:让Ai基于统一事实源运行流水线
如何构建统一语义层？
3.1业界怎么做:本体构建常见路径
3.2我们怎么做:荣耀本体构建的演进路径
4.Harness控制论工程化:让AI运行可控
从Agent交付痛点，介绍Harness控制闭环的理论和落地实践
4.1解决思路:Harness控制闭环及实践框架介绍
4.2关键实践1:Control Loop
4.3关键实践2:Multi-Agent
4.4关键实践3:Observability&Evaluation
5.落地反思:在AI流水线探索过程中，从实践的不足，看AI自动化流水线交付能力落地优先级

听众收益：

1.建立本体与控制的系统认知：理解本体不只是"建模"，而是贯穿需求、设计、编码、测试、交付全流程的活资产；理解控制不只是"监控"，而是从目标边界到事实回写的完整工程闭环。
2.获得可落地的工程框架：不是理论探讨，而是从真实项目提炼的 SDD 三阶段 + Harness 六步闭环，附带量化数据和待完善的短板，可直接指导团队 AI 交付体系建设。
3.识别 AI 交付的关键风险与建设优先级：结合荣耀实践经验，通过六要素能力矩阵和覆盖矩阵，梳理能力落地优先级，避免盲目投入

拥有25年软件研发与管理经验。曾供职于国内头部通信企业，深耕运营商业务软件15年+，承担产品线级重大产品的规划设计与研发，推动软件规模化交付至全球100+国家、400+项目，亲历软件产业全球化进程。后转战消费者业务，主导线上商城数字化系统建设，从0到1完成大数据平台及数据产品的规划与构建，支撑百万级日活业务运营。现阶段聚焦AI工程化落地，探索AI驱动的研发效能提升与业务使能创新，推动软件研发范式向智能化演进。

AiDD峰会

K+峰会

联系我们