Agentic Workflows
把任务拆解、工具调用、记忆、审批和异常处理组织成可观测的执行流, 让智能体可以进入企业流程。
Research focus
研究方向
Ontology Engineering
用概念、关系、约束和推理规则描述领域知识, 帮助团队形成一致的业务语言和数据边界。
Knowledge Graph RAG
结合图谱检索、向量检索和上下文压缩, 让模型回答时带着结构化依据, 降低幻觉和歧义。
Evaluation & Governance
通过任务集、可追踪日志、事实校验和权限隔离, 把原型智能体推进到可运营的生产系统。
Ontology
Ontology 是智能体的语义地基
大模型善于生成语言, 但企业系统需要明确概念、边界、职责和约束。Ontology 让智能体知道: 什么是对象, 谁和谁有关系, 哪些结论可以被推导, 哪些动作必须被限制。
概念盘点
识别领域中的核心实体, 例如客户、订单、门店、合同、设备、故障、指标和角色。
关系建模
定义层级、依赖、归属、因果、时间和权限关系, 将零散术语组织成可查询的语义网络。
约束与推理
把业务规则显式化, 例如状态流转、必填条件、风险阈值、合规限制和推荐依据。
Agent 接入
让智能体通过图谱查询、规则校验和工具 API 使用这套知识, 而不是只依赖 prompt 记忆。
AI agents
我偏好的智能体架构
Agent Core
planner, executor, critic
Memory
conversation, profile, task state
Ontology
concepts, relations, constraints
Tools
APIs, workflow, search, database
Guardrails
policy, approval, audit
先结构, 后自主
智能体越自主, 越需要清晰的领域结构、权限边界和失败处理策略。
工具调用必须可追踪
每次查询、写入、审批和外部调用都应留下输入、输出、耗时和责任上下文。
知识不是 prompt 附件
知识应成为系统资产, 可编辑、可版本化、可评估, 并能被不同智能体复用。
Production systems
从原型到生产的工程路线
1. 场景限定
先选高频、低歧义、价值明确的任务, 建立输入输出样例和失败边界。
2. 知识治理
沉淀术语表、业务规则、图谱结构和文档来源, 避免智能体在模糊语义里漂移。
3. 工具编排
把搜索、数据库、审批、消息、日历和业务系统封装成稳定工具。
4. 评估闭环
持续记录真实任务表现, 用自动评估和人工复核共同改进 prompt、知识和工具。
Notes
近期想写的主题
Contact
一起构建可靠的智能系统
如果你正在探索 AI 智能体、知识图谱、企业 RAG、流程自动化或数据语义治理, 我很愿意一起讨论如何把概念变成可运行、可评估、可扩展的系统。