王昊奋：大模型越强，知识图谱反而越重要

00:05现在在Vibe Coding和现在的AI时代，大家瞬间又到了同一起跑线，甚至它其实可能会比更多原来当时手搓的那些古法编程的人更没有历史包袱。本身的话，其实还是要在一个不确定性当中找确定性，或者说是需要在变化中找不变。所以说我觉得大家都不用焦虑。

00:28第二呢，我觉得所有东西一定是顺其自然发展出来的。我们做的很大一件事儿，其实都是在做信息化，信息化就是建系统嘛。但信息化不是我们的目的，因为我们要上后面的，不管是大数据还是我们现在的AI，基本上都是数据驱动。那数据驱动，那这件事就一定要变成是数据化、数字化。

00:54然后呢，再之后的话，我们经常说的一个词叫数智化，就是我们是把数字化和智能化是一体的。人为了做这个知识工程，早期的时候是规则，后来的话就是数据库、数据仓库。后来呢发现，哎，可以做图，数据库可以做图，之后呢做知识图谱，做本体，就是这么一回事儿。

01:19所以说它解决的是管理的问题。

04:37Mars同学已经帮我介绍了很多了，然后也给大家制造了焦虑，或者说拉了仇恨。其实我是觉得他的选择其实更正确，因为现在在Vibe Coding和现在的AI时代，大家瞬间又到了同一起跑线，甚至他其实可能会比更多原来当时手搓的那些古法编程的人更没有历史包袱。

05:01也就是说，我们其实今天因为讲了很多关于机构啊、公司啊等等，其实公司为什么要上Ontology，其实很多情况下也是因为它是在一个新旧动能的一个转换过程当中。那么本身的话，其实还是要在一个不确定性当中找确定性，或者说是需要在变化中找不变。

05:22所以说这时候的话，其实就会要去找一些跟我们今天主题相关的一些东西。所以说我觉得大家都不用焦虑。第二呢，我觉得所有东西一定是顺其自然发展出来的。

05:36它如果说它是完全靠当时的某些设计的话，它其实都会存在后面会被大家去做一些更新啊优化掉的东西，反正我们都是一些小步快跑。持续在迭代，去形成我们最后的这样一个产品。因为我们的初衷和目标不变，就是为了更好地去做我们本身的这样一个业务，或者说业务当中的决策赋能吧。

06:01因为做决策赋能过程当中，你就会有组织的变革，沟通的调整，对吧？新的工具的一个使用和你的业务的拓展，那所有这些过程当中的话，一定会伴随着有一些能与不能，或者说现在不适合，但不代表以后不适合的很多的一些事儿。所以我觉得这件事儿一定是一个动态发展。

06:24眼光来看，

06:27没有没有没有，我这是实话实说。对对对。不是安慰。

07:27就是你问了一个超级复杂问题啊，这个问题我只能把自己充当是一个agent，或者充当一个大模型，去用planning的能力去分解它。其实你讲了两趴，第一趴的话其实是在旧有世界，比如说我们当时是大家在用很多的，比如说数据库。然后后来转到了很多的数仓，再到后面的话，大家去做很多的大数据的很多的实践。

07:53那这时候的话，大家是说，哎，为什么在那个时候我们需要去上，比如说像为什么要去上图数据库，为什么要去上比如说知识图谱，为什么要去上所谓的本体，这是一条线。另一条线其实是在，哎，我们现在已经有了像OpenClaw，或者说是像Claude Code，

OpenClaw

08:13或者说现在新的像Codex这些，嗯，生产力工具非常强。然后呢，我们也在这个过程当中，不管是手搓skill，还是用Hermes agent让它去做一定的演化。然后呢，在这个过程当中又去对接了比如说各种各样的Markdown和各种各样的思维导图类的，像Obsidian这样子一些工具。

Hermes Agent

08:35那在这个过程当中，为什么还会有人要重新去提，比如说大家会发现，GitHub里面有一个比较popular的top three的这样子一个插件叫Ontology。同时呢，各个公司，比如说像那个Claude，为什么它还要提Context Graph，对吧？那为什么呢？

08:53这段时间的话，大家又会把比如说像Palantir它本身做的很多的一些东西，比如说像AIP和到现在的像Maven这样子一些系统要拿出来，又会去说这底层的话，其实很大的一个功劳，或者说它做得很好的一件事儿，是因为它里面有那个Ontology。那这其实是两拨事儿，就是这两拨事儿的逻辑其实不太一样。

09:17因为Mars同学讲了很重要的一件事儿是在于，其实我们是通过一定的一个上下文或者context来收数据的。就是所谓的我们所有东西，大家想，我们做的很大一件事儿，其实都是在做信息化。信息化就是建系统嘛，但信息化不是我们的目的，因为我们要上后面的不管是大数据还是我们现在的AI，

09:39基本上都是数据驱动的。那数据驱动，那这件事就一定要变成是数据化、数字化。然后呢，再之后的话，我们经常说的一个词叫数智化，就是我们是把数字化和智能化是一体了。那没有数据，那你就不可能谈智能，你工具再多也没用。所以在这个过程当中，我们很大的一件事都叫做是有两个词，一个是base。

10:02一个是management，你想database啊，什么各种各样的，它为什么会出来这些东西呢？不就是为了去解决我们本身文件系统，那么在管理、在事务的一致性、在它的很多查询能力等方面的一些问题嘛。但问题在于就是说，为什么大数据的过程当中，其实后面的话慢慢会演化出来，比如说像图，甚至是出现图谱，

10:27或者说像本体这样子一些概念。那那是因为你本身是需要在表达能力和你本身的建模的这样子一个方便程度。或者说是你的管理成本当中，会这三点之间会去做一定的折中和一定的考量。因为我们永远去做的一件事儿，因为corporate或者organization永远比personalized在很多方面它其实是更复杂的。

10:55个人的话，其实因为有personalization，我们其实这件事儿看似好像是嗯更难满足，但其实的话，因为组织就面对了一堆individual，然后同时又要所谓的在持续的要对于一个目标，也就是相当于是公司的经营和公司的运营。那么这两方面的话，那其实它就会有很多需要去做的一些一些事情。

11:18原来数据库的最大问题是什么？最大问题是在于你事先先要把你的表头先设计好，对吧？库的名字要设计好，对吧？那这件事儿我们就称之为它其实是一个top down的。然后呢，你会发现在这种自顶向下的过程当中的话，我们最大的问题是什么？

11:36我们会发现一旦公司的机构变大，那么这时候跨部门之间的对话其实就很费劲。所以说就产生了，比如说之前早期的会有master database主数据管理。那主数据管理就是说，哎呀，我们就把当初的某些元数据进行去对齐吧。那后来的话大家会发现，比如说同样的一个系统，呃在做跨部门，比如说我们最简单的医保，那所有东西都都医保都有结算，

12:03但问题在于你这医保结算异地之后支付。那这件事儿就有很大问题啊。那最大问题是什么？我们需要对表头啊，要有很多表的字典、说明和描述，我们要去做集成。那这件事儿的话就会导致，其实这里面的话，第一，它没有做语义的对齐。

12:21第二件事情的话，集成成本会非常高，就会导致你的scale基本上很难去扩展到一个更复杂和更开放的环境。所以说呢，在这样子一个过程当中，这里面的话同样就像数据仓库，你不一开始设计好你本身的分析主题，后面都不能动的。你一动那就要重建。

12:41那这件事儿的话就会导致，你其实周期会被拉得很长。第二呢，在当中有很多的来回和很多的沟通成本。这时候呢，大家就想，我是不是有一种更灵活的方式？更灵活的方式一定是schema-less的。那就像你做Excel表的时候，你其实会发现很重要的一件事是在于，你你想拉多大的宽表你就随便拉，

13:02对吧？你现在发现你少了一个东西，我后面加呗，加列都是非常方便的。但问题在于这种flat structure，就是平的这样一种宽表的最大问题在于它缺乏结构。缺乏结构的最大问题是在于，就是说我都不知道这里面不同列之间是什么关系。

13:18第二呢，如果说大家知道原来的数据库的话，为什么要分表，就在于如果用一张宽表当中就会有很多的很稀疏，对吧？有很多都是空值，或者说有很多冗余的信息，那么这就会导致你的存储代价就会大。所以说在这个过程当中，大家就希望有一种非常灵活的一种方式来做这样一个东西。

13:39另外的话，如果说大家会发现很很大的一件事是在于，比如说后来我们因为是互联网上出现了社交网络，比如说像Facebook，那时候还叫Facebook，这种网络的最大问题在于我会有很多的，比如说我要查呃Mars的朋友的朋友，他现在职业是什么，那这件事儿是正常。

13:58但我说我要去查，嗯某个人他跟Mars是什么样一个关系。这其实就是一个很简单的图里面的两个，呃，就是你的源和目标都很确定，我要找到它的可达的路径嘛，和它的之间的这样的一个关系的路径嘛。还有就是说我反过来，我说，哎，他的好像有一个朋友是籍贯是比如说南通的，但但我已经忘记这是谁了。

14:24然后呢，好像因为他和另一个谁住在什么地方的一个人，好像是他们是一个寝室的，或者老乡或者怎么样子。你在这个过程当中，你会发现其实很多时候的话，必须要去扫全表。就是这样子呢，就会发现第一你不灵活，第二呢你要扫全表。这时候就会出现一些图，因为很简单一件事儿，数据结构或者图论当中，我们大家图其实是表达能力最强的。

14:51而且图的话，你比如说增删节点，其实或加边，你是不影响全局的，它是一个局部行为。不像是说你一张表，我我要去更新表了，那那下面的东西都受影响了。这个东西就会产生为什么大家需要图，因为图是一个更加灵活结构的东西。但大家又会发现，因为社交网络是比较简单的，因为社交网络当中的关系是比较固定的。

15:15但是问题在于，在我们的企业当中的话，我们的关系其实不是那么简单的，它的关系特别多，类型也特别多。就是节点类型和边类型都特别多。如果说我只是把它刻画成了这样一种图，其实只是保证了它的一种top结构，但其实我损失了它本身的语义。

15:33所以这时候呢就说，哎，我能不能既要有它的语义，又要有这个图，就形成知识图谱吧。知识图谱你怎么理解呢？那原来的话你就点边点，就是点和边的集合嘛。那那你现在知识图谱，那你变成是说，哎，那大家都学过语文嘛，那我们就主谓宾，对吧？

15:50那主谓宾这件事大家能理解，那这件事就变成三元组了，就变成我们的triple了。那也就把原来的一张表的那个多元，因为你多列嘛，那你就多元。现在就变成一个三元的这样一个集合，那这件事大家理解，然后呢你总也能画成一个图的形式，这样呢就等于它一个最小单元和它本身的，

16:10嗯，它本身的结构都保持。但问题在于这些点到底是什么类型呢？这个边又是什么类型呢？它们之间有没有什么约束啊，或者有一些领域的规则，那这件事就形成了ontology，也就相当于把两者进行一结合，然后最后就变成ontology。

16:29图和知识图谱都是一种bottom up的，就跟你写思维导图是一样的。但你思维导图列完之后，你总会说，哎，这一类是idea类的，那一类可能是to-do类的，这一类可能是关于描述某个人的，那个东西是描述某个地方的，对吧？等等，你总会有一些归类嘛。

16:50但问题在于，如果说这件事的归类，那它是一种你边写边去加的。但问题在于，这又会存在一个问题，就在于你写的思维导图和我写的思维导图，如果最后大家要整合，那还是存在一个语义的对齐问题，对吧？那么这时候语义对齐的问题在于话，那我们总需要有个桥梁吧。

17:12那集成的这个桥梁就是我们的一个共识。那这时候的话又变成是一个top down，就是我们最好有一个行业当中的一个common sense，或者说是大家一个best practice。那么这时候的话就又定义了一个类似于表头的东西。

17:28这个表头呢，它其实本身也很固化，但这个固化是说我和刚刚我定的表的方式不一样，是在于就是我定义的个性化的东西的话，我一定是一个自底向上来做，因为又灵活，又保证我自己的表达的那个东西。坏处在于我不能跟别人交换。好处在于不影响我的建模的成本。

17:51那么，呃，但是呢，如果说我要跟别人交换，就需要我们大家达成一个共识。那么在这个过程当中，那么我们如果说我们两个人互相去对齐，那么这样子的话，如果现在的话有芒果、Mars和昊奋三个人，那么我们三个人的话就相当于我们就需要是互相对齐，那么我们就需要去对齐三遍，对吧？

18:12就是两两之间要对齐，那这件事儿就变成一个P to P了。那我们这本身的话，这这样子一个网络就不高效嘛。如果说我们如果都在讨论同一个领域或同一个方面，那么就是当中我们用一个中间的一个桥梁，那么就是用一个我们所谓的当前的一个，比如说是一个AI炼金术的一个AI主题的一个ontology。

18:37然后呢，我们所有人都往这个ontology上去对。那么这样子的话，是不是就只需要去，我们我们相当于只要去跟它对。那么我们每次对的时候，比如说我又修改了我自己的知识，和你修改了你的知识，那么我们不需要互相通知对方的，我们都是跟这个ontology对。

18:55那么这样子的话，是不是也就等于是一个无缝的、持续、平稳的这样子一个集成了？其实就有点类似于是现在的MCP一样，就是大家都跟这个MCP的那个协议去对齐。这样子的话，就是你的你的客户端和你的呃server端都是去对这个MCP，但但不是说是两两之间大家要适配。

19:18就大概就是这样子一个意思。然后呢这是第一条线。但但是呢，这条线的最大问题是在于，你会发现其实在这个过程当中，它只是解决了灵活的问题和它本身跨部门和机构的一个集成，它本身的这样子一个，呃，一个一个语义的互交互和集成的这样子一个能力问题。

19:40但问题在于这里面还是靠人嘛。因为你说你这个ontology怎么来，你这ontology也是手搓出来的嘛。但问题在于手搓出来这件事儿，那第一会存在的问题是在于，如果说规模很大的话，人搓出来就需要花很多的人力，或者周期很长。

19:56第二呢，还有一件事是在于这个东西要么你就是有行标，或者有很多的一些事实标准，否则的话，凭什么你认我们大家都往一个ontology上面去靠呢？这时候就会存在于你讲你的ontology，我讲我的ontology。那么这件事儿的时候就变成ontology本身也会变得很混乱。

20:19Ontology一混乱，那是不是就失去了ontology本身的价值？那就是相当于就是ontology，原来你是数据层面的这样子一个鸡同鸭讲和集成的代价，现在就变成是在那个ontology本体层面，或者说元数据层面上面鸡同鸭讲，然后去集成。

20:35所以说这个东西就变成没有免费午餐。只是说是把原来的代价从数据层面转移到另一种数据的层面上面，概念很好。但是呢，真正去落地的时候，发现实操的时候，就是有各种各样的代价转移。最后呢，代价转移之后呢，就发现第一，这件事儿就是成本没有下降。

20:55第二呢，就是大家会存在一个最大问题，大家问你这个建的这个知识图谱多大比较好？你建了之后好像还是缺东西，好像还是在我的各个业务当中，我就是三百六十度处处是死角，都遗漏掉了。本来本来以为是我建了一织了一只很密的网，结果发现啥都没有拦住，全全都漏过了。

21:16所以说这大家就会发现，这件事儿变成是构建的成本是一个无底洞，就跟原来的数大数据时期的数据治理是一样，它本身是一个供给侧的东西。但其实你你永远可以举出各种各样的ad hoc和随时变更的很多业务，结果你发现这些业务根本就满足不了。

21:34然后呢，就发现这件事儿本身手搓的共识其实也很难形成。最后呢就发现这件事儿好像很难做。当然呢，我刚刚讲的这些东西都是一些不好的，但是呢在这个过程当中，其实也沉淀出不少还不错的东西。哪些地方比较好？主要是在金融，因为它本身的数据结构化程度非常高。

21:56第二呢，其实你会发现在银行里面的话，其实就有很多的风控业务，它其实是会有反洗钱、反欺诈。基本上你能查到的这种欺诈都不是个体行为，基本上都是团体欺诈。团体欺诈就是你有很多的马甲，他也有很多马甲，但你们之间的交互之间就会有很多的这种可疑的关系，

22:15或者说当中会有一些就是不一致的一些情况。比如说，你你们同样注册了很多东西，结果发现有很多的资金的转移，结果呢都指向了某一个皮包公司，对吧？这就是一种异常的这种pattern。然后呢，这种东西就变成在这个过程当中，就是建成了这样一个知识图谱和那个，然后呢，我们就可以去捕获这样一种异常的这种pattern。

22:38当然这个pattern呢，高频的pattern可以说挖出来，那低频的pattern就是很多的原来PU部门，然后大家写规则嘛。然后这种东西的话，就实施完了之后就可以去检测到。这是在银行业务当中很多。另外呢，大家都用过很多东西，比如说你都用过企查查、天眼查这种东西，因为所有的工商基本上都是都是标准的。

22:59那么在这个过程当中，我肯定可以知道它这里面有没有高管的离职啊，呃。然后呢，这里面它的友商竞品是什么啊，对吧？然后呢，它有没有发布新产品啊？然后呢，在这个过程当中，它的股权的结构的穿透，对吧？然后随时投融资，然后呢，甚至是可以出现一些比较粗粒度的产业链。

23:20那么所有这些东西呢，就对于后面的，比如说我们去做很多的一些合规性啊，或者去做很多的征信的分析啊，做很多的一些关联交易的检测啊，做很多的一些产业链的投资啊，这些东西又变好了。

23:49对。刚刚听到我说的这些东西呢，基本上要么就是有国标，要么就是有行标，要么就是有国际标准。银行基本上都会有各种各样的代码和SWIFT、SWIFT code等等这样子一些东西。那这个东西是国际标准，大家不用动。就包括像图书，图书里面你总会有ISBN，对吧？

24:09所以说你会发现在这个过程当中，而且很多情况下大家因为要做跨境，就是刚刚讲的银行，第二个做得比较好的就是电商或者是商品知识图谱，就是这些做得特别多。然后呢，商品知识图谱做完之后呢，那就有早期的时候呢，就有很多电商，因为上面卖挂羊头卖狗肉，对吧？

24:30那这里面就有很多的虚假商品的检测。第二件事情呢，又有很多东西要出海，那你就会有经过海关的报税啊，很多的这种多语言的这种映射啊，那这个东西大家都要弄到。那你说语言当时处理得不那么好呀，那你所有东西都映射到一个ontology不就好了嘛。

24:47所以说ontology就承载了，就是说做翻译官，业务的翻译和固化，或者说是字段的翻译，甚至是包括我们说的语言的翻译。虽然说是知识图谱是2012年是谷歌提出来，它最早是因为要去做它的搜索，因为就是说它其实有一篇blog叫那个Things Not Strings嘛，对吧？

25:07就是其实我们是万事万物连接的，但是呢我们所有东西当时因为搜索引擎基本上基于关键词嘛，对吧？keywords嘛，大家知道，所以说keywords在里面不就是字符串嘛，事物和对象并不是字符串。也就是说它们其实是有语义的，我们并不需要去包含这样一些keyword的一些网页或者说内容，我们要直接找到答案。

25:28这件事儿你看现在从现在角度来说，觉得大模型来了不就很正常嘛，对吧？但是那个时候的话，其实最早其实就在搜广推，基本上就是搜索和推荐上面，基本上做得特别多。因为你想，用户画像其实也应该是有很多属性和那个东西，对吧？然后商品也是有这样子一些东西，所以就会有很多去做，让你可以直接找到答案或者匹配的这样一些点。

25:52但是呢，其实这件事儿大家忽略一件事，是在于那时候高估了AI的能力，就导致其实在处理的都是非结构化。就是你现在AI觉得习以为常的东西，那时候其实都不好。所以说你会看见谁做得比较好，就是我刚刚说的，谁有结构化数据，谁的数据是经过那个大数据或者说是数据治理的，

26:12且在这个过程当中有相对标准的场景和相对标准的结构，那这些东西就适合去用ontology，去用知识图谱来做这样的一件事儿。你可以很简单把一个表格或者一个Excel表转换成我们所谓的那个知识图谱嘛，这件事儿还是非常简单，因为图的表达能力是比表格要强嘛，升级是可以的。

26:34但是呢，你降级你其实就是有信息损失嘛。就比如说我把一个知识图谱，或者说这东西压扁成一个宽表，当然是可以做，但问题在于这件事儿，很多信息我不知道它们之间什么关系了，对吧？当然都可以去弄。所以说你会发现，其实就是说谁具有最强的结构信息的，那也就相当于第一就是电商、

26:56物流这些的话。所以你看到国外的话像亚马逊，国内的话像京东。阿里，基本上都包括蚂蚁，基本上这些就做得比较多。那腾讯呢是因为Facebook，那就是social network，你你这个关系比较简单。

27:11但是它图其实更大。商品是因为商品的种类多，关系复杂，但是所以说它是ontology复杂，但图没有social network大。social network是ontology简单，就是一共就这么几种类型和这几种关系，但是呢它的图更大。

27:29所以说呢，但不管怎么样子，反正这件事儿都是适合去做的，反而是搜索引擎或者是这些东西是更不适合做的。所以说是在这个过程当中。其实就产生了这样子一个的一个转换。

28:27其实也不叫知识图谱，因为知识图谱是一种手段。其实本质来说，你是在做的是知识工程。我们比如说大模型里面，你说，哎，你怎么能让大模型work？你你说我不就是说话吗？说话不就是写prompt吗？

28:40但prompt为什么要叫prompt engineering？那就是加了个engineering，就说明它肯定是有最佳实践，会有规范，会有很多能做好和做不好的东西。所以说呢，你其实本质就是在做很多的企业的业务的抽象，在做这样一些知识，对吧？

28:55只是说是你为了自己要复用，所以说你这件事儿一定是会有一些偷懒的，会有一些最佳实践的做法，这件事儿就变成knowledge engineering。只是说以前的knowledge engineering是完全是由领域专家在你计算机或者说是IT的人员提供了某些工具上面去完成，

29:15它最大的点其实是做management，是做管理。所以说它大量的接触的东西其实是做很多的transaction数据。所以你看到哪些，比如说它有很多的事务相关的这样的一些记录数据的话，其实这件事就是它的菜。

29:33但是你想，你原来数仓原来做的是OLAP嘛，做的是分析型的东西。但OLAP分析型的东西其实本质来说，它其实是为了去做更好的决策，对吧？因为PII最早其实也是做决策，但问题是你发现你本身的结构化的数据只占了你数据当中很小一部分，

29:50就导致你的决策的面太少。而且呢，决策的交互的界面，你想，很多人都不会写SQL啊，那你即使变成图查询。其实你也是变成一种结构化查询，因为它的AI能力太弱了嘛。人要去变成、要去更好地去适配机器嘛，不像现在Agent是机器适配我们。

30:09所以说这时候的话就会导致你会产生一些很怪异的，比如说DBA或者什么东西。所有这些事儿都是在于，当你发现你需要做多机构、多组织、多部门当中的一些知识的一些集成、交换和复用的时候，你其实就产生了知识工程。然后呢，大家会发现，哎，在这个东西为了做这个知识工程，早期的时候是规则，后来的话就是数据库、数据仓库，

30:40后来呢发现，哎，可以做图数据库，可以做图，之后呢做知识图谱，做本体，就是这么一回事儿。所以说它解决的是管理的问题。第二条线呢，就是你拉回到现阶段，大家基本上全都用AI。那AI这件事儿之后的话，为什么大家又会提这个东西？其实，呃，这件事儿又会跟一个词特别相关，大家都熟悉，就是现在大家都在提的叫Harness。

31:07因为你做Agent也好，你所有东西就是很重要的一件事儿是在于，你希望是结果可靠，可以复现，稳定运行，然后呢，而且是可追溯的、可信任的。那因为你做企业的决策都是严肃场景嘛，你不是kill time的事儿啊，容忍度其实肯定是很低的。

31:28第二呢，你又需要这个东西精准度又很高。所以说这时候的话，你看到为了让模型也好，让让智能体也好，稳定地可以长期运行，是不是大家现在都在做各种各样的Harness，对吧？那Harness这件事儿就会发现，哎，其实你本身的本体也好，知识图谱不就是一种更加约束的东西嘛。

31:47你现在的AI能力往后推，你就会发现，哎，其实你也需要一个类似的这样子一种Harness的这样一个手段。那Harness手段的过程当中，其实你想，你Obsidian，或者说你写的这些Markdown，如果说你是要跟更多的在一个更大的一个组织当中，你要进行去做一个分享，要去做一个呃传承，

32:12要去做一个复用，是不是你又要在语义层面上要有一定约束啊？你你要大家形成一个共识啊，那是不是就变成ontology了，对吧？它是不是叫ontology，或者说它叫什么东西不重要，但你必须要有一个这个东西。这时候的话，大家就会去想，那我重新造轮子，我还不如先去看看以前东西是不是能用。

32:32所以说大家又会去想到那个old fashion的这样子一件事儿去拉过来。而且你会发现很重要的一件事儿，思维导图也是图啊，mind map也就是一个图嘛，只是说这个图的结构是相对灵活的。我让这样子一个结构能更好地变成是让大家可以认可，最后的话又不那么的随意，那是不是就要在这上面的话，

32:53我要去加各种约束，让它变成是可以在更大的一个机构和更大的一个组织当中。我可以进行传播和共享。那么这时候的话，其实你其实本身就做了这样一件事儿。很有意思的一件事儿是在于，因为skill和等很多东西的出现，大模型要希望做tool use或做function call，

33:14就会发现其实我就需要对这种结构的这个东西。因为当时最大一个问题是在于生成式或自回归的这样一些大模型，它本身生成出来的这样子一个工具的调用失败率太高，或者说生成出来JSON其他的东西不能用，所以说就会导致我需要对于输出要可控。

33:35那么这时候呢，大家就要去想，那我用一种什么结构去比较好。你不管是Markdown还是JSON，所有这种东西都可以映射成一个图的结构。然后呢，这就是相当于它其实就是一个抽象的图的数据库。图的数据结构。然后这样一种结构，我就相当于在模型当中我要去训练它，让它第一识别这种结构。

33:56第二，我我要让它能去更好地去对于这样一种结构去做操作，包括当中的一些生成，使得它，那这件事儿就等于是内嵌在模型里面了。所以说就到这个过程当中说，哎，既然你都已经是模型原生支持了，那我为什么不去用这些东西呢？为了去做跨的这样一些东西的集成，以及在不同的context之间去做各种各样交换，甚至是现在的各种各样的一些memory。

34:22所以你就会发现产生了很多东西，比如说Claude里面有context graph，大家还会有session graph，会有那个scene graph，有memory graph，然后有各种各样的ontology。那那所有这些东西其实又回到了原来做的事儿，因为参数化的东西，反正黑盒的东西我们也搞不定。

34:40那么我们现在只能搞的东西，就是我们人也能看明白的这样一些东西。而且索性是这样一种结构的话，是人也友好，机器也友好。因为机器也训过，它能读，这就变成是人和机器协作的一个接口。那么这时候的话，我们就可以把这样子一件事儿去做好。

34:56那么现阶段的话，因为我们所有说的Agent其实很大的一件事儿，其实是在做的是，我们本身的一个长程的、长时间运行的这样一种智能的一种应用嘛。那么这样的一种长时间运行，其实你从满过来看，如果你看之前的那个Agent的框架，比如说你看像Coze，或者你看Devin这种，它其实做的一件事儿是workflow。

35:20那你想workflow这件事儿和skill是什么？skill不就是教你怎么一步步做嘛，所有东西。那这件事儿又回到以前有一个创业的这样一个赛道，其实叫做是RPA，肯定大家都知道，Robotic Process Automation，

35:35就是流程自动化。那那时候流程自动化的所有这些东西，像IaaS啊，所有这些东西，不是当时也是要去构建你行企业的那种标准化的SOP，SOP不行，我要去做呃业务的流程的挖掘，对吧？流程的建模，最后去做封装。那这件事儿就做的是这样子一个ontology。

35:56这件事儿的话，其实就是这个概念用起来，只是说区别在于什么东西呢？这件事儿就跟Palantir一样，ontology虽然这件事儿是一个技术用语，但其实我们刻画的是组织和业务。且在这个过程当中，我们以前去刻画数据库也好，我们去刻画呃我们的数仓也好，或者各种各样的一些内容也好，

36:18其实我们都是用静态视角在刻画，只是刻画里面的人和事，就相当于我们给了一张地图。但是问题在于你现在的这样子一个ontology，你其实是要关联，是关，是它是偏流程的。那流程就像一个事件，而不是一个对象。那事件是一个运动的、动态的。

36:38所以你看到为什么Palantir的那个ontology原来叫Dynamic Ontology，动态ontology。那从另一个角度来说，那它既然要动，那么就这件事儿又有一个概念叫做是Actionable Ontology，那就是可行动的ontology。

36:53那怎么action呢？那你必须要有API和function啊。所以说它在这个过程当中就接入各种service也好，API也好，各种各样的flow也好，那这些东西就能动起来。就是相当于你可以认为早期的原来的那个ontology，更多的其实是张地图，而现在的这样一个动态的ontology更像是个导航。

37:12那导航肯定要有地图啊，但它不能只有地图，那那否则你动不了，对吧？所以说它一定是会给你告诉你往哪走，并给你周围的很多的，比如说LBS的提醒啊，或者很多其他的东西。这这就是产生了两件事儿就对起来了。新势能的动态角度来说，它其实第一件事情，不管ontology还是knowledge graph，

37:32它其实起到的是Harness的作用。而且呢，这件事儿就会在于，比如说你不管是多智能体，还是你在一个机构里面，你其实就需要更多的去做语义层面的交换和共享。然后包括就是大家去说要把很多机构里面的很多的流程啊，老师傅当中的脑子、经验、know-how传承下来。

37:53那这件事儿不就是把很多东西挖出来进行交互嘛。那这种交互不就是现在你先要不能鸡同鸭讲，要on the same page嘛。那这件事儿就变成是需要有这样子一个语义对齐和知识编织的这样的一个过程。因为你看Gartner的话，它在最下面那层叫knowledge fabric，其实就叫做知识编织，

38:14其实就做的这样一件事儿。在这个过程当中，又是说从静态的到动态的和动静结合的。因为因为你要有流程，你要有技能，你要能执行，这那这件事儿就变成现在的那个，现在长成了这样一个样子。对。只是说是Palantir很早就做了类似事儿，但是叫做古法操作。

38:33但是现在到Agent的角度来说，这件事儿就是自然演化的，你就应该长成这样，而不应该是说以前做。

38:45首先就是说是现阶段的一个趋势，其实就是大家都知道，因为去年的话等于是Agent的试水吧。然后今年的话，基本上大家所有这件事儿的话，就是呃一定会去做的是一个Agent的大爆发。那么Agent的大爆发这件事儿就会产生两件事儿。

39:02第一是年初的时候的OpenClaw，这件事儿已经把很多人给教育了。教育完之后呢，所有这件事儿一定会从个人场景转换成是呃一些企业应用和一些行业应用。这件事儿呢，在这个过程当中你就会发现，其实很多的知识和很多内容，因为它不是做我们平时的日常的那个吃穿住行嘛。

39:23我们其实去做的是企业的很多的经营、运营和管理和决策。那这件事儿的话就会有很多私域的数据。那么怎么把这样一些私域数据和公域的东西关联上，呃，以及能更好地用到现在的AI和各种各样的，尤其智能体的技术，大家就会变成是你这件事儿是需要懂领域知识的这样一种知识智能体。

39:46这其实就是一种通专结合的东西。因为专业的是你的流程、技能、专业的领域知识和行业的know-how。然后呢，通用东西就是现在持续更新的。的各种各样的大模型，不管是语言模型还是多模态模型，还是现在的各种各样的长时间运行的智能体，那这就是一个通专结合。

40:08第二个过程其实是在这个过程当中，其实嗯大家会发现，就是说这种knowledgeable agent，它一定是最后要去做decision making的。我们不是要去做原来的管理的事儿，我们要去涉及到你的呃运行的过程当中，就是说你的所有的运营过程当中，

40:27我要去做持续的这样子一个组织的变革和我的东西。所以说这件事儿的话，就需要去能去有更可控的、更加可解释的这样子一些action。而这种action的话，其实就把我本身的Harness给结合起来。第三件事呢，大家会发现，其实从OpenClaw到后面的Hermes，大家其实今年去讲的很大的一件事叫self-evolving。

40:50Self-involving这样的一件事的话，其实你就会发现，可能我们刚刚说的企业，那企业你不可能一天不运行啊，对吧？那你每天都会发生很多东西，那所以说就需要有一种自我演化和自我进化，随着企业的决策和企业的各种各样的一些调整去发生很多变化的东西。

41:10那以前你想，这个东西就是一张地图，你让它变，这件事周期很长。那现阶段的话，就是用刚刚你的体感，就觉得现在做这件事会变得更简单，那么它其实就会变。那么这个变的过程当中，又会产生很大一件事是在于，我其实人人会更懒，人希望这个东西都不要自己去输。

41:31之前吧，也不是最近了，有一些项目，比如说是Andrej Karpathy他做的一个LLM Wiki。大家想想Wiki，Wiki这件事儿大家都已经很熟悉，只是说以前我们是人肉嘛，众包嘛，我们还美其名曰说了一个词叫crowdsourcing，对吧？

41:48现在的话，LLM Wiki就是相当于这件事儿带来的一件东西是，既然我们有更强的生产力工具，为什么我们这件事儿是需要去靠那个，嗯，靠那个就是说是人来做呢？这件事儿的话就在于，你所有的原来的我们以前最不想做的dirty work，ETL。

42:07就比如说你要去抽数据、转数据，其实就是数据的搬运工，然后集成，以及是最难的非结构化上面的一些抽取和理解，还有就是人的意图的理解，所有这些东西都可以交给大模型了。所以说呢，这件事儿又变成是在self-evolving，就是自演化的基础上面。

42:27前面又加了一个东西叫自自构建。自构建这件事就变成好像我们变成了是一个，反正也不需要人做太多东西，反正就是self construction，然后self evolving，然后呢。你又会发现，其实你的范畴又需要跟更多人交流，所以这时候的话又会存在一个东西，就是呃，就是自适应。

42:47所以说就变成自构建、自适应、自演化。这样我们以前吹的牛，现在就是弄的各种各样的呃technical debt，就是我们的技术债，现在基本上就通过这样一种方式，其实慢慢地被还掉。这件事儿的话，其实现阶段的话就比以前要简单很多。

43:06这时候的话，大家会更多的就是不是站在一些只有大公司，或者说是一些可能对于技术特别热爱、想拥抱的这样子一些呃一些机构里面。而是会有更多的SME，或者说更多的一些技术能力没那么强的一些企业，它可能出自于对自己的，因为你想，模型也不是他的，对吧？

43:30那它的壁垒和它以后的护城河是什么？一定是它对于数据的抽象、建模、整合和利用的能力嘛，对吧？那这样子的话，那最后变成这样子一种知识资产，肯定比它的元数据资产要来的好。它就会有自己的一个由内而外，会去要搞这样几件事儿。

44:26我们现在大家其实比如说开会，我们经常比如说用个腾讯会议，或者说开一个飞书，那你最后的话大家都会把会议纪要，以前我们还需要有人写会议纪要，对吧？你现在其实就把这种，其实就是说本身这件事儿是一个对人来说就跟打标一样，其实它本身是一个劳动密集，

44:47但它又是因为为了我们本身的带宽和我们记不住，我们又希望让大家去达成一个agreement，然后去不得不做的反人性的很多的一些脏活累活。而这些事情呢，其实现阶段的话就会变成是自然是由我们本身的agent，或者说由我们的这样一些机器来帮我们去完成。从源头和从很多方面，使得我们原来没有被数字化的，或者说不规范的。

45:16或者说这当中填错，或者说是呃漏填的很多东西，其实就可以加速了我们的数字化和标准化的这样一个进程。

45:27包括现阶段的话，所有的，呃，包括像ERP，包括是像SCM，就是供应链的管理，呃。包括很多的仓储，包括我们的很多的CRM，其实基本上都会以这样一种形式进行转换。然后呢，这种转换的过程就是让你的每次我应该拜访谁，我应该做什么，我应该什么时候做，我做的这样子最后的这样一个记录，

45:55以及这些东西能不能被复用。然后呢，我这个东西有什么东西可以定期的呃进行改进，我应该向谁学习，然后怎么把这样一些东西，类似于像我们的memory.md一样，我们可以沉淀下来，其实就做这样一件事儿。

46:21就是以前我们做软件对吧，数据base就是刚才说的数据存储，和我们的management，就是我们的那个代码，代码来完成主要的工作。然后还有一个角色的叫运营，我们我们这运营，当然还有一个角色叫客户。我们如果我们把这四个东西拿出来的话，数据我们看得见，对吧？

46:37数据也，但是我们，我们说老实话，数据不是知识。应用数据可能是个知识，但这些东西可能被我们用原来用程序员把它固化在代码里面，那些逻辑，logic都在代码里面。然后使用的那个人呢，使用那个人他有他的思考，对吧？和他的判断，有一些那个呃决策是在那个运营的人身上。

46:57那客户在使用的时候他也有选择。所以这些东西构成了一个相对完整的知识体系，但是在原来的信息化时代，它分在了不同的地方。所以我们仅仅拿数据上来是没有意义的，我们还要去建扣，你的业务逻辑是什么，你的operation的东西什么，

47:13你的扣什么。如果我们假设这个东西是成立的话，那我们在想，有没有一种更加快捷的方式能将今天的应用系统变成一个ontology。对，就是本体论的东西，可能是说，第一个我要看数据，第二个同时我要看代码，第三个我要同时看所有运营人员的日志。

47:34假设这个程序里面任何人的每一个click，每一个action都已经做了日志，假设。同样我们客户的行为和反馈，我们都有，就是其实这些在我们传统的过去的系统里面都做过，这种系统我们已经就是开发这种系统的人。这些log加上logic，逻辑，再加上base，那我们把这些拿出来，是不是就比较完整的描述了这个这个业务的知识，

48:01然后我们再把它抽象成，无论是抽象成graph也好。或者说我们今天有很多名词啊，很多词汇去说明它。那这样是比较容易的是把一个行业的know-how，或者说它的整个呃life cycle的knowledge都把它表达出来嘛。

48:17这个是充分的嘛，还是说还需要有很多其他的部分？

48:21就是说首先有两方面啊，第一方面的话，就是说是数据肯定不等于知识，所以说很早之前大家都会有一个金字塔叫DIKW，这大家应该都听说过，就是最下面是data，上面是information，information其实就是对data进行做了一层清洗和标准化，对吧？

48:39然后再上面的话其实是knowledge，最后的话你做decision making和大家能去沉淀的东西其实叫做wisdom。它这个金字塔就是DIKW。那第二件事呢就是在于从现阶段角度来说，就其实做三件事，一件事的话其实是呃怎么去提需求，所以说这件事就是在prompt里面去做了。

48:59第二件事呢其实是那个我们怎么去给上下文，也就是context is all you need。当然我把memory其实也放在context里面，因为就是相当于就是memory是等于是context的外延，就等于就是内存和外硬盘的关系。

49:13在外面的话其实你会发现很重要的一件事叫做Harness。就是做你本身的这样一个治理和这样子一个就是驾驭或者说你脚手架的这样一件事。那么在整个这个过程当中，其实你会发现最后呃所有东西大家其实都会集中在你这里面的一个context。

49:31那也就是说，在所有这件事的情况下，我其实就是为当前的这样一个需求，针对当前的这样一个任务，我其实是不是收集到了足够的来为我做这样一个得到答案或者做这样决策的这样子一些知识。那么这时候的话就要从先涉及在知识从哪来以及是知识怎么用。知识从哪来，其实这件事的话就刚刚去说第一。

49:55你要保证所有东西你不能漏。那么这时候的话，其实就刚刚讲了很重要的一件事，是在于你会有定义四种角色也好，五种角色也好，你所有这样一些角色，你其实就需要去他们之间的交互和他们的很多东西要变成一些我们可观察的东西。那么观察的东西其实也只有一种，就是你所有东西都必必须变成数据，因为你变成数据，我才能通过DIKW进行转换，

50:21对吧？就相当于你没原油，我我我要去变成各种各样的石油和二次加工东西都白白说，对吧？所以说在这个过程当中，我需要把它变成数据。但数据又会有几种，那一种数据的话，其实是类似于偏snapshot的。这个东西的话，就是我们传统的各种各样的数据的记录，就是我们的data record。

50:40但是呢，现在的话，你可以看到在Palantir和Claude里面，大家提的一件事叫Systems of Record，叫做是系统记录。系统记录它其实是类似于像我们的一种log一样的东西。它其实是代表我这件事是怎么发生的，它是偏流程化的，不是刚刚那种静态的一个snapshot。

51:03那么这两种东西动静结合，静态的东西。其实存的是我们本身的结果和当时的某个状态，而我们还需要有流程来代表我们的状态是怎么转化的，或者说我们这个东西怎么运转起来，就像我们一个状态机，我还需要从A状态到B状态，我还转呢，对吧？

51:20所以说呢，这两种东西就是那个。所以说呢，在这个过程当中你就会有你本身的这样子一些log。当然这个log的话会有你系统执行的各种各样的trace，但还会有一些东西的话其实是不在这个里面的。不在这个里面的话，其实就会存在于你本身可能是会有很多的交流交互，比如说我们今天的聊天，我们的很多对话，

51:45那么这些都是那个。那么其他也会有不在我们的结构化数据库和业务系统当中的，很多东西可能是表单，凭据。那这些东西又是一些非结构化的东西。所以说呢，你就按照静和动分，你就相当于一个是结果物。比如说你你做了一次检修，你总需要有一个order，你最后还要填一个form吧，只是说是以前的话，

52:08我们要求他怎么填变成结构化，这个东西可能可能人都是惰性的吧，他可能就就是就填的不对，对吧？那现阶段的话，其实我可以有验证的，我可以有抽取的，我可以把这些东西都弄得很好。第二种呢，就是流程的东西。另外呢，但是流程之外的一些东西，不是那么结构化，我也没埋点的那些东西的话，就是我们的聊天记录啊，

52:30我们各种各样的沟通记录啊，很多东西的话，那其实也可以把它变成是一些流程和一些东西。那么这样子的话，其实就为我们本身的context去收集足够东西。那么对于每一种源或者每一种东西，我进行去做这样一个抽取和建模，其实是把它转换成信息。

52:48但我最后要把这些信息要去进行集成的时候的话，那就是保证它的语义是可交互。这时候的话其实就变成知识了。所以说在这个过程当中的话，其实就是一个建图，因为你变成知识你就要有结构呀。然后呢，且要保证它们之间互相是可以关联，且是它们代表是同一个意思。

53:08所以说这时候的话，其实就会产生我们原来的这样子一些图谱啊，或者说是本体啊这样的一些事。所以说就就就是这样子一个演化的过程。然后呢。你再结合你本身的一个意图，我知道我在这个过程当中我要取什么样子的数据，对吧？所以说这时候就有context graph嘛，你就是context里面的组织的这些东西。

53:28而且你会发现其实在这个过程当中，你还是需要有一种更精准精确的东西来表达。你想你结构化的东西一定是比你的文字表达的这个东西相对来说在很多方面它是更加的节约token的。第二呢，也更加的精准。所以说在这个过程当中的话，大家就会在很多主干线上面，我就会尽量用非语言类的这样一种方式来表达。

53:57但最后你要去描述和解释偏descriptive的东西的话，那你肯定还是用文字来表示。但这种东西应该是都在你的很多的叶子或者说在你很多的这样子一些最后的细节的表达上面会来描述，就像大家去看比如说是我们开了某一个会，大家一开始要去了解肯定先看个思维导图，对吧？

54:18如果要看细节，那就是会关联到某某一个段落或某一些具体的信息，你才会去看。但你不希望一开始去去读一本书，因为这读书的效率就会很低，对吧？而且占据了你大量东西，可能前看后忘记了。所以说，这其实跟人的行为是一样的。那现在大模型的话，其实也是一个建网的，它它的容量窗口，它的带宽，呃只是由它本身的context决定的。

55:41就是说我们其实是他的boot loader，你可以这样理解。

55:46虽然这件事可能说起来那个，但是其实这件事其实也没那么好做，因为你会发现其实在这个过程当中，我们所有东西其实都会考虑一个，第一是能力，capability，第二是容量，是capacity，你能容容量多少。第三件事情是你的cost。

56:05所以说在这个过程当中，为什么大家，你想，如果说所有东西都可以用模型做，为什么大家后面的话都会有你需要去做tool use。第二件事，你为什么还需要去形成skill。第三件事情，你为什么还要去做harness。就说明所有东西也不是纯是用模型本身就能去完成的。

56:27模型虽然能力在越来越强。而且就是你会发现，其实现在的像知识图谱或本体，它会起到很多作用。第一件事情作用就是对于你本身的prompt进行去做梳理和结构化，这是第一件事。第二件事情其实是对于你的思维链进行去做引导。第三件事情对你最后产出的结果进行验证，因为它会有幻觉。

56:52第四件事情就是形成更复杂的面向流程化的私域数据的适配和数据合成。就基本上就做这四件事。但这四件事呢，就是来自于造物者嘛，那这个造物者就是人嘛。人脑子里面想的东西也不是全都出来的。然后呢。

57:09互联网上知道的东西，其实就是说现在在解决的事情是冰山下的东西。就是我们有些很多时候称之为暗知识。包括就是说，代码能力的理解能力变强了，是使得我们原来仅耦合在我们代码这种数据当中的内容，是可以被进一步的抽象利用和组织。这其实就使得，我们假设我们的世界都可以被编程和用代码来刻画的话，那么这件事其实就等于是被解决了。

57:39但问题在于，很多东西还在于，为什么要有skill？其实有很多东西是在于我们本身做的东西，我们也没用代码去说。然后呢。且这件事的它本身的这样一个步骤和流程又特别复杂，就导致在这个过程当中，第一，模型从来就没见过。第二件事，即使模型见过，它也学不好。

58:01那么所有这些东西的话，都还是需要你喂给它，或者说你去给它去做很多东西。那这件事的话，其实就会就会产生你需要进一步的去做知识工程的一些事。而知识工程本身的来源一定是来自于人作为知识工作者，第二来自于人和原有的这样子一些系统去配合的一些东西。

58:22新的话，我觉得其实是很难去再去造出一些新的这样子一些系统。但是呢，旧有的系统的利用和升级会成为是新的一波，就是来看这个模型的上上界可以做到多少。

58:36刚才也提到了，就是第一个就是知识图谱或者说Ontology它是什么。第二个就是现在我们也会遇到一个情景，就是大部分的企业都试图要做这个事儿。那很多to B的厂商也在做这事儿，比如说ERP的厂商，CRM的厂商，或者是OA的厂商，他们都都打算在做这事儿。

58:55那我想一个问题就是说，从现有的这个企业的信息化的角度来讲，有哪些供应商或者哪些行业是比较会，就如果我们说Ontology会有一个engage的，就是进入的一个呃先后次序哈，准备度，应按照不同的准备度，它进入次序不太一样。

59:15或者时间点有早有晚，那现在什么样的行业或者什么样的软件厂商，他们进入这一行是比较快的，或者在一一一年两年。三年的这个时间里面。

59:26其实我还专门就是研究过和最近其实还做了几场报告说大模型时期的知识工程和本体工程。然后呢，这里面其实大家可以去关注两类企业，一类企业其实是那个本体优先的，一类企业的话其实是那个模型优先的。这两个的代表性其实你就可以看到，一个是Palantir，一个是Claude，就Anthropic。

59:51因为你看为什么我举这两个东西呢，Palantir它做的东西都是从大的这种企业。不管是军工还是金融还是供应链，它做的都是这些信息化程度相对高，且在这个过程当中其实是复杂决策的。那么它通过它的FDE和很多的这样一种方式，它其实是做了很多的这样一个沉淀和这样子一个建模。

1:00:18因为你想，它最早像Gotham和很多的这样一些Foundry，它其实当时也没模型，就至少没有大模型。所以说这时候的话，它这些业务它也在做呀。当时它也去做了反洗钱，它也做了抓本拉登，那这个东西跟模型没关系。所以说这件事儿本身，它其实是你对于这些信息去做了蛛丝马迹去集成之后，你去用了你的信息差，

1:00:43最后因为你的集成做得更好，然后呢。你的信息差，你可以通过ABC，你可以引导到最后发现，哎，就是这个东西。这跟我们去做解谜和做密室逃脱是一样的事儿，对吧？它其实并不是一个模型优先的一件事儿，它是一个本体优先的。就是你原来信息化做得不错，然后呢。

1:01:03你又是一些复杂的决策，且这个复杂决策就是要把碎片化的信息去要把它揉在一起，且在这个过程当中，它又是一些实时决策。你看啊，所有我刚刚说的这些东西都实时决策。模型最大问题就是慢，它的latency太高了。如果我要做的决策是毫秒级，那你基本上你其实就不会用太大的模型。

1:01:27所以说这件事儿一定是一个本体优先的一个过程。那么在本体优先过程当中，谁的结构化数据越多，那它就容易做成。你会发现为什么银行，为什么是物流，为什么是你本身的这样子一些电商。你其实就容易去做好。那你刚刚说的所有的，包括像ERP的、CRM的、OA的这些东西的话，其实也是因为它，因为第一它是泛行业的，

1:01:54它跟Palantir做法还不一样，它是站在，它是泛行业，反正所有行业都肯定要用OA，所有行业都需要CRM。而那在这个整个这个过程当中，你会发现像CRM、ERP，特别是像CRM这种软件，它其实是很明确它的输入和输出和用户的目标群体的。这种东西就很容易去落地，因为它的ontology好建呀，然后也很聚焦，它不是一个开open set，

1:02:20或者说是一个open world的一件事儿。第二件事儿。你看到另一方面，其实就是相当于是Claude。Claude是模型优先。Claude首先肯定是一个做模型的公司，对吧？

1:02:31然后，呃，就是做了模型之后，但你会发现它从做co-work到dispatch到design，它一直在在颠覆知识工作者。在做做这样一件事情的过程当中，它是模型优先。然后呢，它突然发现这件事儿可能不行，那就加MCP、加skill、加context graph，

1:02:50加各种各样的，加我们本身的这样子一些Harness来去做很多东西。那么自然而然，我要去做这样一个沉淀的过程当中，就会用到很多的graph啦或者ontology啦这样子一些东西。这这就是它的做法。那么这类应用呢，其实是在于我的开放。

1:03:08我的那个决策其实没有那么实时，我的数据很多是一些就是公域数据，加上是我的非结构化、多模态的数据特别多的这样一些场景，这个东西就适合那个用这样一种模型优先的方式去做。然后呢。这个这种方式其实就是模型为主，然后呢，按需地去调各种各样的确定性的东西，去按需地动态地构建各种各样的小的这样子一些图谱，

1:03:42或者说是本体，去去把这件事儿做好。而如果说你数据是比较确定，且在这个过程当中是实时的复杂交互和决策，那这件事儿就一定是那个。那你就会发现，如果当我要去做，比如说智能运维当中我要做根因分析，这件事儿一定是本体优先的，而不是模型优先的。

1:04:04因为因为因为我要知道它一步步它的因果链呀，你你如果模型优先，全是相关性。那谁知道它这里面讲的对不对？它不可追溯呀。第二件事情，如果我要去做反欺诈，那这个关系也是一个确定性关系，对吧？这这也很清楚的这样的一件事儿，所以说它也不可能去做到是模型优先。

1:04:30行呀？它的因果还是基于共现。就是说现阶段的所有的呃AI，至少是神经网络型的AI，它其实都是在做模式识别，它只是在找规律。找规律这件事儿就是相关性，不代表它是因果性。

1:04:48因为因果很多过程当中，它可能是一些黑天鹅，或者说是一些小概率的长尾事件。那么从数据驱动的角度来说，它其实是不会被充分学习。那这件事儿只有是说是人定义下来，人所谓的这件事儿，把它用符号的这个东西刻画下来，这件事儿它才算是一个大家会去认可的。

1:05:09所以在这个过程当中。我们就不去纠结它到底是不是因果，而是说是这样子一些东西一定是通过符号化是更容易达成共识的。而机器去做的很多东西的话，第一。因为它的开口太大了。第二，它很容易，因为它的变量太多之后的话，它很容易去不确定到底是找的是什么东西。

1:05:31而且这一条链路trace，它其实很多时候，说老实话，就是你现在看到的COT基本上很多也是错的。如果你看数学的话，也是很多错的。它只是说是在那儿不断地在通过相关和这样子一些因果的这个东西去做。但是你在严肃场景过程当中，你说你敢错吗？

1:05:50那比如说我让你查什么产地，或者我说这个东西到底是因为比如说某个网关坏掉了，然后呢，结果你查到了另一个什么什么地方。那这个东西的可能性太多了。在这种需要可解释、可追溯以及是精确严肃的一些决策的情况下，它一定是一个本体优先的。

1:06:10因为最终的决策权和解释权都在人嘛。这其实并不是说它们两者之间是呃是谁优谁劣，而是说谁更适合什么东西。所以说Palantir它会走一一条路，它要走的这条路，它选择的这样一些客户就决定了它一定是加模型，不是说它不用模型。而那个Claude走的这样一条路，它会去更快地通过，比如说类似于它自己的根据地，然后去涨潮，

1:06:37去去侵蚀到的这样的一些行业。一定是非结构化数据为主，然后相关性为更突出，然后通过相关性把所有这些东西给整合好，去侵蚀的这样一些知识的知识的工作者。这些东西的话，我觉得就是他们的策略不一样。最终呢，可能就是两者之间就会变成是一个你中有我，我中有你的东西，对吧？

1:06:58只是说是现阶段你会发现，其实这两条路线其实是会不完全一样。一条路线其实是呃大数据的厂商，或者说是前模型的厂商去做的一些事儿。然后另一条路线的话，其实是一些呃AI原生的厂商，就是随着大模型产生的这些人，他去做这样一些路线。

1:07:19那么当然你不是说是那件事儿一定不能做，只是说是他做可能没有那些人有优势，以及他会在一些硬骨头的时候他会遇到问题。那我不是说他不能做，但这是现有的两条不同的路线。另外

1:07:34我我想呢，就是我一个常识啊，看对不对？就是今天或者说我们知识图谱还是本体这个东西，原来我们生成它的这个过程，实际上都是大量的人工，大量的业务专家，或者说我们通过graph的数据库来解决这个问题，它的构建是非常困难的。但使用起来还好，因为我们通过一个图查询还是比较方便的。

1:07:55但现在是随着AI的这个出现或者大语言模型，呃。基于数据数据整理这个东西，我们是不是时代今天的这个时间点上，我们去创建一个本体。当然，这个本体有没有多大共识我们再说啊，比如说A企业和B企业，他们之间没有共识无所谓，但是A企业内部是有共识的。

1:08:13那那是不是这样，呃。我们今天大模型让我们在一个企业内部构建一个本体的，或者说知识图谱的这个能力和速度呃加快了。所以这件事情在AI的这个驱动或者在Agent的驱动下，Agent又想用它，然后Agent又能让它这个成本生成的成本比较低。

1:08:31所以这也是我们今天在讨论这个议题，或者说我们也在说，呃，今年明年这些应用可能会高度发展的一个一个原因。

1:08:42首先它一定是因为我前面讲到自构建嘛，自构建一定是这件事儿会用现在的大模型也好，或者说现在的AI一定会比以前要来得更快。但是这件事儿是有一个，你看我说但是，为什么会有但是这个词，是在于其实在如果模型优先的这样一个过程当中，呃。

1:09:02你要去做的这样子一件事儿，本身的话其实会存在两点。第一件事儿，它要不要转换成图？就是大家如果去看，原来有一个有一个评测叫

1:09:14Skillbench。Skillbench做的一件事儿就在于，就是相当于它是说大模型，它测了所有现在最强的模型，像比如说Opus 4.7啊，那个Gemini，当时是Gemini 3.1 Pro，对吧？GPT-5.4。最后就是做的一件事儿是说，我有skill、with skill和without skill，

1:09:33以及是让模型自动生成skill。它最后在各种方面的performance是什么样？最后结果是说，有skill显著比没有skill来得提升。第二件事情，机器自动生成的skill让这个performance变得更差。这件事儿一定是外部外化在外面，然后呢，通过一种外挂。

1:09:56渐进式披露的方式去让模型更多地去理解，而不是说是我模型自己脑补出一些东西，然后我去使用这个东西。因为模型自己脑补去使用这个东西，就会使得它本身这件事儿做得不好，它又形成了一堆垃圾和噪声去影响它，结果它本身就掌握不好，现在就更凌乱了。

1:10:16你可以这样理解，就是会产生让它更多会被噪声去影响，是指这个意思。那么所以说从这个角度来说的话，其实你会发现在这个时候的话，其实如果你写的是MD的文件，这样子一些小规模的东西，其实如果你用机器去生成，它其实会存在一个问题，是在于这个东西。

1:10:36如果你让人去校准，如果你去纠纠正，然后这件事儿的代价还不如人写。因为你从原来要构建一个很大庞，如果很庞大的这样子一个知识库，然后呢或者说一个图谱，现在变成是要构建一个小的，你自己去写写Obsidian，自己写写思维导图就好的东西，你干嘛要用机器呢？

1:10:58因为你Obsidian的时候也是不考虑你的，呃大家的一个交互和集成吧。但是这件事儿就已经做得很好，就像你用Notion，这个里面就很好。所以说这里面就有两个点是在于，第一，如果这件事儿本身就已经能跟机器很好交流。我并不一定要把它结构化。

1:11:17第二件事情，你本身是一个小规模的东西，我我这个东西用用机器去做，反而有可能会导致它在harness、prompt、context engineering里面起到反面的作用。那反过来你去看，如果说是本体优先的这样一些solution当中，那第一因为它本体优先，所以它本体的占比和知识图谱的占比就更大。而在这种情况下的话，它其实一定要用AI来做。

1:11:45这就回到芒果你刚刚说的，如果说这个东西人是没办法维护的，那这时候的话一定要用机器去，差不多就像我们打标一样。那就是先要预构建嘛，构建完之后人最多就采样看看，对吧？或者怎么样子去弄弄。再加上是比如说我通过一些场景，我人机协同的Copilot，人给一些feedback，然后通过这些feedback，

1:12:08然后再去做很多的纠错啊、补全啊，或者说是细化等等很多工作。所以你会发现，其实这两件事儿不是说它没有存在，而是在你你为什么我需要分成这两种模式？就是在模型优先的模式里面，很多时候的ontology也好，很多东西它是一个微服的，它是一个要求更精准，

1:12:29但是呢它又不强调规模的这个东西，这时候的话质量就非常重要，那这件事儿还不如用人。然后呢。你如果说是在本体优先这个东西，因为呃图或者说是这样子一些知识的规模很大，那这时候的话，因为它本身要去构建、演化、补全、纠错，它的成本太高了，这时候的话就要用AI。

1:12:52所以说这是两条不同的路线，大家的实践应该会不太一样。

1:12:57在模型优先的模式里面，实际上我们是需要一种，除了我模型参考文献数据里面已有的，我们需要外来注入一些信息。这些信息是独特性和差异性，这种独特性和差异性会让这个模型优先的这个范式更加优秀。

1:13:15它就是相当于让模型更加精准，模型更加能获得实时的或领域的它原来并不知道的很多东西。对，它就是这时候的话，利用的不是模型的知识，用的是模型的能力，模型具有运用知识的能力。就是它它形成的是一种呃meta的一种knowledge，就是因为它没见过这个knowledge嘛，

1:13:39对吧？这个这个领域的东西它都没见过，但它知道啊，你这个东西封装成了一个skill，我知道这个skill应该怎么去做，skill是有规范的。啊，我知道你这个东西封装成了一个tool，然后呢，这个东西是一个graph的query查询。

1:13:52那我也知道，我这个可以去调你，对吧？这是规范。但我管你是一个什么，呃，是一个图啦，还是一个什么支付的一个应用啦，反正你只要符合MCP的规范，我就可以去做。所以说它其实是这样的一件事儿，它并不真正地知道你这个知识是什么，你这个知识叫XYZ还是叫ABC，

1:14:11对它来说都一样。它只是按照这样一种它原来既定方式做。但反过来的话，如果当你是XYZ和ABC，非常地需要去知道区别，以及你要A要变成A1、A2、A3。那这件事你不可能靠人做，人人人做不过来。这这件事的话，其实就反过来。

1:15:03呃。我肯定会用嘛，觉得我不会addict到这样子一些东西。第一，我个人的记性还是挺好的。第二呢，我不去记detail，就是人的最大点是在于人是具有抽象能力，对吧？就是最强的一件事儿是在于，大家如果去看过DeepSeek的新版本以及里面的Engram，其实现在大模型也在实践的一件事叫做是知识的卸载。

1:15:30就你不需要记这么多东西。所以说人也一样，就是在于我们在这个过程当中，我其实第一，我知道找谁来问这件事儿。第二件事情呢，我其实在这个过程当中，如果不是我的calendar或者这样子一些我一定要记住的东西，我基本上就找从哪个源可以知道它，从找谁可以知道它，我我所有东西都是变成了一种元知识。

1:15:55或者说是上面的抽象的这样一种concept的level，就是我不记实例层的东西，我只记concept层的东西。但是这个concept层怎么去、怎么去最后沉淀呢？呃。从之前的话其实用Notion，现在的话其实我会一直自己去画一些思维导图，然后呢通过跟大模型的交流和各种各样记录，

1:16:16像现在的话其实也会继承Meeting Minutes，然后我会让它灌进去之后我会自己去看，以及我会跟它进行交互。这个东西的话也是去强化自己当中的某些connection，但是我不会addict，就是每件事都通过它。就是说有很多东西的，有一些东西的话我其实是通过后续我有一个关注点，或者说我跟模型或者AI agent之间的一些交互，

1:16:41最后的话让它去反哺，去细化我某些东西。或者强化我的很多地方。强化的很多东西呢，其实我也不需要它记下来，因为这属于我自己的belief。如果说是细化的东西呢，我会让它记下来。细化过了一段时间呢，我可能会发现这件事儿没没用，我可能就会让它forget。

1:17:00如果说有用呢，这件事其实就会被我吸收进去了。所以说就是说是通过一种古法的方式和一种心智工具的话，就是存量市场，用自己脑子，新增市场，用AI。然后呢，过一段时间，当然存量和增量其实是会不断在变化的，而且我每时刻的关注点会不一样。

1:17:21所以说就是说会会把很多东西会存成不同的一些内容，然后按需地去把这样子一个个的主题或者一个个的这样子一个记忆的碎片会去激活，或者说是找到对应的当时记的一些东西，来去让我可能对这一块东西可能就温故而知新吧。因为人也是需要training的，因为你全靠机器，其实人的能力就退化了。

1:17:45所以说我就觉得就是说我们要通过、我们要用这样一种工具，避免自己去做重复劳动。就是就像很多时候的话，我们经常说，哎，其实就是比如说我们都喜欢先用手机先拍PPT，但拍完之后你有多少人看呢？其实你不看，不看这件事儿就结束了，因为你没有去强化你的各种东西，只是贩卖了焦虑，让你让你持续发现你不看，

1:18:07你可能就错过了什么东西。所以说这件事这件事的话，一定还是要像训练机器一样训练人，就是去强化我们很多东西的能力，并且呢在这个过程当中，其实不断调整自己的一些结构，让自己可以在有限的带宽和有限的容量当中，能去记更有价值的一些事儿。

1:18:28以及是不断时候的话，通过一些read，比如说我自己看了自己的Notion当中的某一个关于topic的一些内容，然后呢，这作为外外挂的东西，我吸取进去。然后又激活了我当中的某一块东西，然后我去再把这一块东西弄稠密，去去找到很多的联想和关联，然后又可以去谈这一块的东西。

1:18:48但我常驻的这个东西，其实还就是那些被强化的很多东西。其实你可以认为这个跟skill的渐进式披露一样，我我因为也要控制能耗，所以说只能只能记最不变的东西。这跟我们的长期记忆是一样嘛。从这个角度来看，你其实可以发现，机器的很多训练和后面的一些发展路径一定会越来越像我们人，

1:19:12尤其是我们的专家和聪明的人会是怎么去做。而我们人呢，其实的behavior和我们的很多的一些认知的能力也会发生变化，因为我们有了新的工具。就是我我们的父辈和当时用PC的人，和用互联网的人，和用移动互联网的人，和我们被工具也改变了我们的脑脑的容量和脑当中的回路和各种各样的组织，

1:19:36以及是我们的行为方式。所以说这件事其实是一个互相影响，最后去形成一个在当前的情况下最优的一种方式。一定是呃新旧兼容，这样子的话可能才能才能更好吧。

1:20:03知识管理这件事儿以前的话其实是一个偏咨询类的。就是它有知识工程，它是偏偏硬核一点的，但知识管理是偏咨询的。当然就是说其实你从个人知识管理到企业知识管理，你反正反正我觉得，呃，搬运的工作、浅层加工的工作，一定是用AI更合适。

1:20:23但是呢，你到底要哪些源，以及是你最后要做什么决策，以及你最后的集成和你本身的一个思维和推理的这样子一个过程，还是需要靠人去把这件事儿给做得更加好。因为否则的话，你其实变数和自由度太大了。

1:21:33对，我我觉得你刚刚讲的这这件事儿特别对，就是说我们其实原来的东西的话，因为在于我们生产力工具变弱，所以说呢我们其实，呃，都在做know how。但其实慢慢的know how这件事儿呢，就是因为我们让模型知道了，或者让数据知道了更多的what和who的事儿嘛，

1:21:53对吧？然后呢，现现阶段的话，其实就是说是how的东西，通过skill啊，通过很多的流程，我们也让机器可以反正常程的可以去做了。我们的how唯一要做的一件事儿是，就是要验证机器不要瞎说，就是提升我们的品味和鉴别能力，来训练我们自己。

1:22:13其他时候的话，我们更多应该想的应该是know who、know what和know why，因为你选择更重要。就是就是你为什么要做这件事儿，变得更重要了。第一就是说是机器来了之后，我们不能说我们自己变成，呃，弱化，呃。然后导致被被机器牵引着变成它的附庸。

1:22:32但是呢，更多的就是说我们要把我们的脑子当中的容量和能力更多用在提高我们的品味和去做很多的选择的这件事情上面。这个这个我觉得就会变成现在新的人的一些竞争力。

1:22:54没没有没有，对对对，我觉得这个这个话题反正还是很值得去聊的。

1:23:03好的。谢谢Mars，对，很很愉快的。好，