背景

问题不在模型，而在数据。

在实际的大模型应用中，我逐渐发现模型能力的上限，往往取决于数据的质量与结构，而不完全是模型本身。

尤其在工业领域，大量数据是非结构化的，有各式各样的PDF、手册、规范等。

语义复杂，专业术语多、上下文依赖强。

表达不统一，同一概念有多种说法。

如果直接接入大模型，会导致 RAG 召回不稳定、上下文噪声高、幻觉严重。

因此，这个项目的核心目标，不只是做一个问答系统，更是要构建一套面向大模型的数据治理与数据供给体系。

整体架构

整个系统可以抽象为一条 数据 → 知识 → 语义 → 应用 的链路。

核心设计一：本体论 = 数据标准体系

1. 本体的本质

在这个项目中，本体论是领域数据标准 + 元数据模型。

我定义了一套 HVAC 领域的统一语义结构。

13类实体，如设备、参数、工艺、故障等。

13类关系，如包含、依赖、影响、控制等。

构成一个 13×13 的语义约束体系。

2. 本体解决的问题

（1）术语统一

“空调机组 / 空调设备 / 空调系统” → 统一为标准实体

“制冷量 / 冷量 / 制冷能力” → 统一表达

本质是数据标准化。

（2）关系约束

例如：

空调机组 contains 压缩机
温度 affects 制冷效果

统一关系类型 + 方向性

（3）减少幻觉

通过规则约束只允许13种关系，禁止过度推理，强制语义一致。

本质是数据质量控制。

核心设计二：软本体驱动的AI数据治理

1. 为什么选择软本体

本项目采用 Soft Ontology，也就是基于LLM的本体。

而不是 OWL / RDF 的形式本体。

原因很现实，软本体构建成本低、迭代快、对噪声容忍高，适合工业非结构化数据

2. 本体注入机制（关键）

本体以“宪法”的形式存在，通过 Prompt 注入到所有Agent中。

【全局本体约束】{global_policy}

本质是用本体作为数据治理规则引擎。

核心设计三：多 Agent 协同的数据质量控制

为了提升数据质量，我设计了一个四阶段协同机制。

本质是构建一套面向AI的数据质量治理机制。

核心设计四：知识图谱 = 数据资产沉淀

输出结果节点478、关系417。

这意味着原始文档转变成为了结构化知识资产。

这一步的意义是数据可复用、可查询（Cypher）、可扩展、可跨场景使用。

本质是数据资产化。

核心设计五：RAG = 数据供给接口

很多人把RAG当问答技术，但在这个系统中，RAG 是数据供给层。

作用是从数据资产中检索上下文、构建模型输入、提供稳定语义支持。

RAG效果问题，本质是数据问题。

升级路径

从软本体到企业级数据治理。

当前方案属于软本体 + AI驱动的数据治理。

未来可以演进为：

阶段1：增强型软本体

增加质量检测
引入置信度评分

阶段2：混合本体

核心概念 OWL 化
引入推理引擎

阶段3：形式本体

标准化建模（OWL/RDF）
企业级知识体系

总结

这个项目最大的提升不是技术，而是对 AI ，对数据的认知。

一开始理解只是做一个普通的RAG系统。

实际最后构建一套面向大模型的数据治理与数据供给体系。

目标是让数据可理解、让数据可复用、让数据可被AI稳定使用。

在AI时代数据不再只是被存储和分析，而是要被模型消费。

而数据治理，也从服务给人看的BI，转向了服务大模型与智能系统

这也是我在这个项目中最核心的收获。