课程简介

随着企业 Agent 从问答走向读数、排障与决策，瓶颈已不只是模型能力，而是数据分散、对象身份不一、关系缺失——它能看到日志与指标，却看不懂系统。

围绕这一问题，阿里云基于本体论构建 UModel 对象图语义层：以 Set、Link、Field 描述实体、数据与关系，通过 SPL、MCP 与渐进式披露，让 Agent 按对象发现数据、沿关系获取证据。对照实验显示，接入语义层后四个模型的表现均提升 10—20 个百分点。

本次分享将结合支付网关读数与 P99 超标根因定位两个案例，讲清从建模、实体接入到对象图查询的完整方法，诠释将零散数据转化为 Agent 可理解、可验证、可执行的企业上下文。帮助企业 AI 平台、AIOps、DevOps 及数据平台团队，建立一套从“给 Agent 接更多工具”转向“为 Agent 构建可查询系统模型”的方法。让企业无需先建设完整本体，可以从一个服务、一条调用链、一个排障场景开始，逐步扩展。

课程收益

目标：

1、帮助企业 AI 平台、AIOps、DevOps 及数据平台团队，建立一套从“给 Agent 接更多工具”转向“为 Agent 构建可查询系统模型”的方法。

2、理解围绕业务对象组织关系、观测数据、存储与运维知识，并从一个高价值服务链路开始增量落地。

成功要点：

1、更强模型、更长上下文、RAG 与更多 MCP 工具解决的是能力与连接问题，并不能自动补齐企业系统结构；

2、以 Set + Link + Field 作为最小原语，贯彻“对象优先、关系成图、证据挂载”，避免一次性建设庞大而不可用的本体；

3、分离稳定的“类定义”与动态的“实体个体”，通过生命周期机制持续反映真实系统状态；

4、通过统一查询、字段映射与存储抽象，让 Agent 表达“查哪个对象”，而不是猜测表名、标签与查询方言；

5、采用自描述、渐进式披露与“先生成计划、再执行”的交互方式，同时建立清晰的读写权限边界；

6、用同数据、同问题、同程序的对照实验验证语义层收益，避免只凭演示效果判断项目成功。

启示：

1、认知收益：数据只是现象，对象和关系才是系统结构；世界模型的准确度决定 Agent 的能力上限。

2、架构收益：语义层不替代 Prometheus、SLS、CMDB、数据库等既有系统，而是在其上提供统一的对象视角。

3、工程收益：减少对表、字段、标签、单位与跨系统关联的猜测，让查询结果更准确、更可解释、更可审计。

4、业务收益：让 Agent 能按对象读数、沿关系定位根因、排除干扰项，并把证据与 Runbook 行动建议连接起来。

受众人群

AI科学家、大模型研究员和技术负责人、资深算法专家、CTO、Loop技术开发应用人员、本体论研究者、机器人系统研发工程师、智能体Agent架构师以及其他对Agentic感兴趣的从业者。

课程周期

    0.5天（3H） 

课程大纲