知识管理

从本体到AI原生，从知识库到Skills技能库

2026 年 4 月 30 日

从本体论到AI原生应用，探索知识库与技能库的融合进化之路。核心内容： 1. 本体论在AI原生应用中的关键作用与适用场景 2. 动态本体的误区与本体模型自我进化的实现路径 3. 知识库与技能库的本质区别及未来发展方向

对于本体论应用场景，实际我前面很多文章都谈到过，既可以通过本体建模去驱动AI原生应用生成，又可能通过本体模型去驱动应用自然语义推理。但是大部分企业往往已经是在IT系统减少的末期，并不存在大量新系统建设需求，因此应用本体论的场景可以总结归纳为：所有本身不产生大量数据，而是使用数据，将数据应用到安全，控制，分析，推理，预测的场景。

这些场景实际都适合采用本体论进验证并逐步推广。而对于辅助决策类场景，这个是传统BI系统的强项，实际是否用本体论并不重要。但是大家再思考下，对于只能辅助决策无法真正决策，只能发现问题无法解决问题的传统BI，很可能逐步也会被替代掉。

最近看国内一家对标Palantir的公司搞了一个新概念，叫动态本体，说是比Palantir的本体论更加先进。实际上是没有什么动态本体这个概念的，我们也没有必要去发明新概念。包括今天还有人问我本体建模后的实例层数据是否就是动态本体？这反而容易导致更多误解。

大家要注意我前面谈过本体论的自我进化，即为何说可以在本体论应用中引入类似Hermes的关键点。本体建模后在应用过程中，根据本体模型拉取了实例数据，基于实例数据进行分析推理，在分析推理总还会发现问题，还可能存在和人的交互确认。那么基于AI大模型的能力我们完全可以在问题解决后进一步复盘，自我去优化和迭代底层的本体模型，让本体模型自我进化。这个才是本体模型+AI原生应用的最终形态。而不是后续靠人不断去修补和优化本体模型，靠人去反复迭代。而是本体+AI自我学习，自我成长和进化。

很多人很难真正了解本体论的核心，实际还是确实相关的前导知识，类似你做过软件开发，架构设计，业务需求，企业架构，业务建模和业务建模，面向对象分析设计，领域建模，业务系统，传统BI系统或数据中台，有相关的建设和实施经验。那么就更加容易理解本体论解决了什么问题，也更加容易明白为何感觉跟传统的业务建模，面向对象分析设计很类似，为何还要专门搞一个本体模型。

在前面我就谈到过一个重点，传统的对象建模虽然包括了（对象，行为，规则），但是对象建模的目的是为后续开发和生成整个系统使用的，那么系统一运行上线，实际模型作用已经不大。但是本体建模构建的模型业务语义是同时交付到运行态的，在运行态同时存在本体模型语义+正在运行的系统，而且这个本体模型语义是AI大模型容易理解的Schema文件定义。你想清楚了这个你才清楚为何我一直强调本体驱动的AI原生应用的原因在哪里。

最近我和客户交流遇到一个问题，就是当前都在谈构建Skills技能了，是否还有必要构建RAG智能知识库？

在这里首先重新定义下知识和技能两个概念。对于知识大家可以理解为我们实践感觉可以重复使用的有用经验的沉淀；而对于技能则是基于场景调取和应用知识解决问题的能力。应用单知识就能够解决问题的我们叫一般技能，应用多个单技能或知识组合才能够解决问题的是更加高级的技能，我们可以叫做为方法论。RAG和知识库也要做为两个概念理解，知识库就是知识库，RAG只是AI时代更好的应用和检索知识库的技术。

所以你了解了这个就清楚了知识库一定是必须的，是很多技能需要调用的基础数据。但是是否走传统RAG就不一定了，比如当前主流的Agentic RAG，Full Text Research等都是新的应用知识库的模式。

那么如果让知识库文档更好的适合AI使用的，这个实际我在前面文章谈到的，比如基于本体建模的思想都历史文档进行萃取和抽象元模型，抽象知识卡片，建立历史文档间的关联网络，类似GraphRAG的模式。构建一个新的业务语义模型文档同时丢给AI。这个文档可以看做是一个分层存储和分层记忆的文档，更加方便AI高效的检索知识库信息。

Skills=知识库+提示词工程+上下文管理+MCP+最佳实践+案例模板。因此做好一个Skills不容易，需要有大量的实践经验沉淀，而不是简单的将一个提示词变成Skills就完事。包括Skills的渐进披露机制，更加方便AI更好地利用技能高效解决问题。当然Skills和MCP之间本身既相互独立，也可以是相互引用关系。你可以在Skills中调用远程MCP Server提供的能力。你也可以将你的Skills进一步发布为一个MCP Server供大模型接入。如果你不愿意将你的Skills公开化给别人，就可以采用Skills转MCP方式发布。

最近我在看一个关于AI时代组织架构变革的资料，实际简单来讲就是彻底的扁平化+端到端拉通。牵头人对整个目标，结果和过程负责。包括很可能是一个人+多个AI Agent协助完成复杂事务。一说到这里，很多人说那么执行层人员日子不好过，会大量裁员。但是说句实话，执行层虽然会搜搜索，但是还是需要和AI协同，审核和确认的人员。我个人反而感觉那些天天到处指手画脚，不懂瞎指挥的中层管理层应该大幅删减。大家可以思考下就你行业业务，把下面执行层去掉了，管理层有能力借助AI把所有事情搞定吗？实际上大部分管理层人员长期脱离业务，已经完全不具备这个能力。

同样一件事，可能是管理层安排并提供思路，也可能是管理层下达目标下面执行负责人提供思路。所有真正裁撤的一定是无法提供有价值的思路的人，而不是说你究竟在管理层还是执行层。所以，大部分人做的事情没太大价值，仅仅是需要找点事情做，让别人感觉自己很忙而已。

经过最近几年观察，我更加发现大家应用AI的能力差异极大，难度各种AI工具的使用很复杂吗？显然不是。真正关键的地方还是你个人历史知识的积累沉淀太差，无法提供给AI足够明确的前期输入。这个输入包括了想法，结构，逻辑。没有这个输入AI就是给你业界标准答案，而不是结合你场景的针对性答案。包括我早下结论，AI一定让人走向两个极端。一个极端是AI让人更加懒于思考而荒废，另外一个是AI辅助学习完成个人的自我进化。里面真正起关键作用的就是你的探索精确和洞察力。

立即咨询 JOTO

JOTO 提供覆盖企业智能体规划与搭建、AI 平台私有化部署、RAG 知识工程、AI 安全治理、FDE 驻场共创及持续运营优化的全周期 AI 落地服务，帮助企业把验证中的 AI 能力转化为安全、可控、可持续迭代的生产力。联系 JOTO 获取 AI 落地咨询

想把这些做法用到你的业务里?

留下你的场景和痛点,我们帮你判断从哪一步开始。

联系我们

从本体到AI原生，从知识库到Skills技能库

立即咨询 JOTO

想把这些做法用到你的业务里?

Start your enterprise AI rollout

Tell us what you need