自定义博客皮肤VIP专享

*博客头图:

格式为PNG、JPG,宽度*高度大于1920*100像素,不超过2MB,主视觉建议放在右侧,请参照线上博客头图

请上传大于1920*100像素的图片!

博客底图:

图片格式为PNG、JPG,不超过1MB,可上下左右平铺至整个背景

栏目图:

图片格式为PNG、JPG,图片宽度*高度为300*38像素,不超过0.5MB

主标题颜色:

RGB颜色,例如:#AFAFAF

Hover:

RGB颜色,例如:#AFAFAF

副标题颜色:

RGB颜色,例如:#AFAFAF

自定义博客皮肤

-+

图特摩斯科技-博客

AbutionGraph:首个时序动态知识图谱数据库、AI大数据分析平台,分布式高可用,60种图挖掘算法,实时多维指标聚合、兼容TensorFlow,Spark,Flink全栈、物联网,金融等行业应用、NLP,OCR,计算机视觉,目标检测..

  • 博客(285)
  • 资源 (2)
  • 收藏
  • 关注

原创 我发明了世界第一款动态本体查询语言:Ontology SQL/SDK

OntoQL:让人和 AI 用最熟悉的语言,查询最完整的业务世界。大道至简,让本体真正成为 AI 理解和运行企业业务的语言。

2026-11-15 18:46:20 257

原创 OntoFlow 中的本体原生:Action 支持企业微信、钉钉、飞书群通知

企业软件每天都在产生大量业务数据,也在不断发现异常、风险和机会。设备出现故障,运维人员可能还在查看另一套系统;库存已经触及安全阈值,采购部门却没有收到提醒;订单发生异常,管理人员仍然需要等待人工汇报。企业真正需要的,不只是能够发现问题的智能系统,还需要能够将业务变化及时传递给相关人员,并推动协作和处理。这正是 OntoFlow 将群通知纳入本体原生 Action 的原因。

2026-11-13 02:24:23 378

原创 当本体发生变化但数据库不变时会发生什么?

在企业软件中,修改一个模型,看起来往往只是一件小事。新增一个属性、调整一个对象的关系、重命名一个业务概念,甚至删除一个已经不再使用的对象类型,都可能只需要在设计界面里点击几下。一个采购订单新增了“交付风险”属性,底层数据库没有增加相应字段;一个供应商从普通供应商变成关键供应商,已有的风险计算规则却没有调整;一个原本独立的设备类型被合并进新的设备分类,而报表、查询和智能体仍然使用旧的业务概念。这些变化可能不会立即导致系统报错。

2026-11-05 13:46:43 384

原创 让复杂的本体隐于系统,让简单的问题呈现在用户面前:OntoFlow 重新定义企业数据洞察

企业数据平台的竞争,正在从谁拥有更多数据、更多报表和更多分析组件,转向谁能够真正理解业务,并让更多人有效使用数据。本体的意义,不是创造更多业务概念让用户学习,而是让系统拥有统一、准确、可执行的业务理解。AI 的意义,也不只是把复杂的查询操作包装成对话,而是让自然语言能够连接真实对象、业务关系、计算逻辑和行动能力。一个好的智能分析平台,后台可以拥有非常复杂的模型、规则和计算体系,但使用者不应该被迫理解全部复杂性。

2026-11-01 16:14:10 366

原创 别让 AI Agent 只会思考:用本体与可验证决策,构建真正可靠的企业智能体

通过 OntoStudio 和 OntoFlow 的本体建模能力,企业可以定义业务对象、属性、关系、指标和行动。例如,建立供应商、物料、库存、采购订单、生产订单和客户订单等对象,再定义它们之间的关联。这些业务定义能够被不同查询、智能体、工作流和应用复用。大模型解决了机器如何理解和生成语言的问题,Agent 进一步解决了如何拆解任务、调用工具和完成工作的难题。但当 AI 开始进入真实企业业务,真正重要的问题变成了:它是否理解业务对象?是否掌握对象之间的真实关系?是否遵循正确的指标口径?

2026-10-31 20:03:48 269

原创 NVIDIA Auto Ontology 项目分析:它到底在构建什么本体?

核心判断:NVIDIA Auto Ontology 的重点不是构建一个能够完整模拟和运行现实业务的世界模型,而是为企业数据和 AI Agent 建立一层可信的业务语义,使 Agent 更准确地理解数据、生成 SQL、执行查询并解释结果。它与 OntoFlow 的本体智能应用开发方向存在交集,但两者的产品重心并不相同:Auto Ontology 更聚焦于“让 AI 正确地理解和查询企业数据”;OntoFlow 则可以把本体进一步用于业务对象建模、规则与计算、工作流执行、应用发布,以及数字孪生和仿真推演。

2026-10-31 19:40:54 527

原创 2026 本体数据库 OntoGraph:功能、性能、可靠性与容错性测试报告

OntoGraph 是面向本体、知识图谱与智能业务应用的原生本体数据库。它不仅支持实体、关系与属性的存储和查询,还将聚合计算、属性派生、行动触发等业务计算能力纳入统一的数据模型,使业务对象能够被查询、计算、关联和持续更新。统一管理业务实体、关系、属性及其关联,支撑从业务对象到图关系的统一查询。支持大批次数据写入、多客户端并发及持续业务数据更新。支持点查、过滤、一跳关联、窗口聚合及大结果集查询。支持聚合指标、派生属性、条件判断与行动触发,让计算结果能够继续驱动业务状态变化。

2026-10-26 15:25:00 331

原创 本体不是一次性交付:当业务世界改变,AI如何避免一本正经地犯错?

这是最容易被忽略的一类变化。假设某企业原先把“可用库存”定义为账面库存减去预留库存。后来,质量部门要求将待检验和冻结的物料排除在外。字段仍然存在,数据同步正常,SQL 也没有错误。变化只发生在业务定义上。如果模型仍采用旧公式,系统就会稳定地产生错误结果。同样的问题也会出现在财务指标、风险分级、客户分类、合规范围和业务权限中。这类变化不能单靠数据库 Schema 比对发现,因为系统结构可能完全没有变化。它需要业务定义的版本管理、来源追踪、责任人和变更审核机制。

2026-10-26 15:22:37 362

原创 别再混淆本体、主数据、数据目录和语义层

本体、MDM、数据目录和语义层解决的问题各不相同。企业需要的不是在它们之间做简单的取舍,而是建立清晰的职责边界,让权威数据、业务语义、数据来源和计算规则能够协同工作。当业务模型能够持续参与查询、计算、运行和推演时,企业的软件才有机会从管理数据资产,进一步走向对业务世界的理解与处理。OntoGraph 存储世界,OntoFlow 构建世界,OntoOS 运行和推演未来世界。这就是 OntoFlow 本体智能应用的核心思路。

2026-10-23 22:13:43 292

原创 【无标题】

本体应用的门槛在建模,质量也在建模。第一步画不出来,后面无从谈起

2026-10-23 06:11:12 227

原创 本体建模方式升级:OntoStudio 独创,2D vs 3D 构建本体应用

二维关系建模帮助我们看见对象之间的联系。多维本体建模则进一步帮助我们组织对象的语义、计算和行动,并把这些能力转化为真实业务应用。这不是为了追求更复杂的图形,也不是为了引入一个新的建模名词,而是为了减少复杂业务在数据、语义、代码和应用之间反复转换的成本。以 Object 为核心,统一组织业务世界;以 OntoGraph 为底座,承载本体数据;以 OntoStudio 为设计环境,将业务对象、计算逻辑和行动能力构建为可运行的本体应用。从 2D 到 3D,升级的不只是建模方式,更是业务软件的构建方式。

2026-10-23 05:41:29 469

原创 企业 AI 最讽刺的事情:所有人都在谈语义,却没有建立统一的业务世界

语义层(Semantic Layer)常用于把业务概念、指标定义、计算逻辑及查询口径转化为可复用的接口,使 BI、报表、问数系统或 AI 应用不必各自重新解释业务规则。例如,企业统一定义:销售额 = 按规定业务口径计算的有效销售金额。当经营报表、智能问数和管理驾驶舱共同使用同一指标定义时,企业就更容易避免各算各的。但语义层的具体实现并没有唯一标准。有的产品以指标管理为核心,有的围绕数据仓库建模,有的依托本体表达业务概念和规则,还有的以统一查询接口为主要能力。

2026-10-20 10:57:56 268

原创 OntoFlow本体平台在某大型供应链场景的落地实践

(含平台展示)项目效果:把跨部门协同建立在同一套可计算、可追溯的事实之上

2026-10-16 07:35:16 390

原创 构建本体路径开始百花齐放:数仓、指标、W3C、上下文、原生本体自动化...如何是“好”

能不能不再要求每一个企业、每一个项目,都从头把数据、指标、图谱、AI、应用和业务行动拼装成一套新系统?

2026-10-13 14:23:10 536

原创 2026年语义模型、本体和知识图谱面试题自出30道

设计一个面向企业 AI 的本体与知识图谱平台,你会如何设计?

2026-10-11 15:25:11 224

原创 月薪5万的FDE火爆岗位在成熟的本体平台中到底应该会做什么才胜任!(医院场景举例)

月薪 5 万的 FDE,不能只用编程语言掌握程度、熟悉多少大模型框架,或者做过多少个 AI Demo 来衡量。真正值得关注的是:他能否把一个复杂的业务问题,转化为结构清晰、数据可信、计算正确、行动受控、结果可验证的业务系统。他不仅知道如何接入数据,还知道数据代表什么。他不仅知道如何定义指标,还知道指标的业务口径是否正确。他不仅知道如何调用 Agent,还知道什么时候应该使用查询、计算、知识检索或行动。他不仅能够构建孪生页面,还能够解释业务当前的状态。

2026-10-09 04:01:59 404

原创 OntoStudio - AIP 分析师:基于聊天的可视化本体探索产品

OntoStudio 是 OntoFlow系列平台中的对话式本体工作台,可作为 AIP 分析师的本体设计器。它读取你正在设计的本体,用聊天回答问题、补全语义、识别数据,并在同一张画布上把对象、关系、指标、行动和应用摊开。技术同事和非技术同事可以从同一个入口进入:提问、看见结构、改口径,再把这份设计交付成可运行的工作流。每一步都留在画面上。分析师说明它读了什么、改了什么;你核对逻辑,需要时亲手调整,再继续下一问。

2026-10-08 21:27:41 272

原创 国庆10.1-8日AI本体智能(FDE、Ontology等)国际重大新闻简报

一句话判断这一周非常值得关注,因为国际市场出现了一个相当明确的“三线合流”:AI 模型竞争正在向“企业现场交付

2026-10-08 21:26:41 500

原创 本体范式的价值:成本、风险和速度

本体经常被描述成:“让机器理解世界。这个说法没有错,但还不够。为什么每做一个新系统,都要重新理解一次这个世界?如果“客户”只存在于某个项目里,那么它只是一个表。如果“客户”成为企业共享的业务对象,那么它才开始成为资产。如果这个对象还能被查询、计算、解释、操作和推演,那么它才真正进入运行系统。因此,本体范式真正改变的,并不是数据库长什么样,也不只是 AI 能不能回答问题。过去,每个项目重新理解业务。现在,把业务理解沉淀下来。过去,每个应用重新连接数据。现在,让应用建立在统一的业务世界之上。

2026-10-08 15:53:52 383

原创 8大开源 Jev 能力分析,都走到哪一步了?(正在Qwen化...

Jev 掀起的开源浪潮,本质不是复刻一个更强的对话大模型,而是验证了**“结构化概率决策接口”**这条新范式的可行性:不再依赖自由文本生成与后续解析,把同一份上下文(state)喂入模型,并行执行多条封闭集合的判断任务——单选、量表打分、二元是非,直接输出概率分布与置信度,交给业务程序完成分支逻辑。轻量复用派(SemIf、Simple Jev):冻结已有开源大模型,不做重新训练,复用模型原生logits,依靠KV缓存共享上下文提速,上手成本最低,但缺少RLCD式概率校准,置信度只能作为参考;

2026-09-22 11:16:20 408

原创 企业AI真正缺的不是 SQL,而是Semantic Layer

Ontology、Semantic Layer 与 AI-enabled BI 最终应该汇聚到的地方

2026-09-22 08:45:00 351

原创 AI圈新贵 Jev:比 LLM 快 200 倍,没那么强,也不是取代大模型,而是小模型场景

最近 AI 圈出现了一个有点奇怪的新贵。它不是 GPT、Claude、Gemini 的新版本,甚至根本不太像我们印象中的“大模型”。它叫。TypeSafe AI 在 2026 年 9 月 15 日发布 Jev,把它定义成一种全新的:不聊天,不写文章,也不生成长篇解释,而是拿到一段状态和几个问题,直接给出结构化判断。官方测试称,在其 System One 工作流中,Jev 最快可达到约,成本约低。更有意思的是,Jev 发布后很快进入 Vercel AI Gateway。

2026-09-21 13:05:09 544

原创 打假?Utopia:本体论+世界首个开源「企业世界模型」

它真正交付的,是普通问答库多做的两件事:记下摘录的时间,以及结论能回到原文。它把文档做成可检索、可引用、可留痕的知识账本,却过度用本体论、本体运行、世界模型包装自己(本体论可以接受,因为知识图谱被很多人当成本体图谱,吃认知的亏不会被深揪,但世界模型以及有Palantir的影子太蹭热度了)。最后,如果我们真的打出了很厉害的噱头,产品能力也要真的跟的上,而不是在简单的能力上玩“文字游戏”,特别是“中国版Palantir”我们也听了非常多类似的宣传,宣传上宇宙第一也是创新的话(hh.玩笑话)。

2026-09-20 14:18:59 214

原创 本体数据库 OntoGraph 3.7:升级动态本体的动态索引

(功能升级均已经完成并测试)字段可以加,语义可以长,业务世界变了,图跟着变——这就是动态本体。

2026-09-20 13:39:16 464

原创 构建本体本质是手工工作,而这正是它的核心价值

真正值得警惕的,从来不是“手工构建本体”,而是所有语义都隐藏在应用代码、SQL、ETL和个人经验里,每个团队都要重新做一遍。手工定义一个“生产批次”并不可怕,可怕的是质量系统定义一次、ERP定义一次、BI定义一次、AI Agent再定义一次,五个人理解五个“生产批次”,十个系统维护十套映射,二十个应用各自计算自己的“缺陷率”,最后大家拥有很多数据,却没有一个共同理解的世界。AI可以帮你发现对象、生成关系、写映射、查错误,甚至根据一句话生成完整的设计草稿。

2026-09-19 17:59:12 347

原创 数据平台中的本体是什么?你已经有一个了,只不过它很糟糕

打开一个企业的数据平台。crmerpfinancemarketingriskrawstagingodsdwddwsadscustomercust_idaccount_idparty_id再看 SQL。收入 =?客户 =?订单 =?活跃客户 =?供应商风险 =?这些东西看起来都是数据工程问题。这个企业认为世界里有什么,以及这些东西之间是什么关系?数据库中的customer是什么?它与account是不是一个东西?与account_id能不能相互使用?

2026-09-17 11:05:01 338

原创 本体系统 Semantica 与 OntoFlow 架构与用途

Semantica 把“图、本体、溯源、决策”做成了开发者容易 import 的模块,并在 OWL/PROV 导出、Python Agent 插件、湖仓取数上把表面铺得很完整。源码显示,其默认内核是进程内 ContextGraph,推理与本体治理模块深浅不一。OntoFlow 把同一组词用在另一层:先有可计算的对象世界(OntoGraph),再有把企业数据建进去的施工线(OntoFlow),再有隔离推演(OntoOS)和运行观察(OntoX)。

2026-09-17 00:11:13 496

原创 本体论已今非昔比…实际上,世界已经改变

这是另一个重要变化。过去建设本体,很容易陷入“大而全”。先定义企业顶层本体。再定义几十个领域。再定义几百个实体。再讨论继承关系。再讨论属性。最后花几年时间维护一个越来越复杂的模型。但现实世界不会等本体设计完成。业务每天都在变化。新的产品会出现。新的流程会出现。新的数据源会出现。新的监管要求会出现。新的业务关系也会出现。先完整定义世界,再开发应用。从一个真实业务问题开始。选择数据。形成对象。建立关系。形成一个局部子图。让它运行。让业务使用。发现新的关系。再扩展本体。

2026-09-16 13:56:02 228

原创 OntoFlow动态本体应用·火灾报警/工厂生产智能排产

北京图特摩斯科技(10年专业动态本体落地引领企业) - 创始人/发明者 - 闭雨哲,企业合作/入群交流+(目前已超1000+中国互联网企业):biiyuzhe。

2026-09-12 18:47:13 300

原创 本体论与领域驱动设计:一场无人问津却至关重要的架构辩论

几个月前,我与两位能力出众的工程师共处一室。两人看似各执一词、争执不下,深究下去却发现,分歧的根源不在技术本身,而在语言表述的错位。其中一位反复强调:“我们需要统一的客户信息数据源”;另一位则始终反驳:“这恰恰是问题所在——‘客户’在销售环节和计费环节的定义本就不同,强行套用单一模型只会同时破坏两个场景的业务逻辑。事实上,两人都没有错。。一位在谈论领域驱动设计(Domain-Driven Design,简称DDD),另一位虽不知对应的专业术语,实则在阐述本体论(Ontology)的核心价值。

2026-09-11 15:26:30 327

原创 本体应用开发步骤:从一个小场景开始,而不是建设“大而全本体”

很多本体项目做到这里,看起来已经有 Entity 和 Relation 了,但真正运行起来还是像一张知识图谱。业务世界不是静态的。运行中降额故障维修中停机待确认生产中延迟部分交付已完成取消正常关注预警高风险已处置对象是什么?现在是什么状态?状态为什么发生变化?这也是本体应用和传统主数据建模的重要区别。本体应用建设最容易陷入的误区,就是把重点放在:“我们到底应该设计多少个类?“这个业务问题需要一个怎样的世界模型?两者看起来只是提问方式不同,实际代表的是两种完全不同的开发路径。

2026-09-10 00:52:50 271

原创 本体论 Object:下一代企业软件,可能不再以“表”为中心

客户是一张表,订单是一张表,产品是一张表,设备是一张表。业务流程,不过是让这些表之间不断发生查询、关联、更新。

2026-09-08 16:14:00 274

原创 报告:我把“开源版Palantir”项目Semantica源码扔给AI对比我的本体平台

Ontology 在系统中究竟是“知识描述层”,还是“企业运行模型”。

2026-09-08 12:33:04 1005 1

原创 OntoFlow本体应用案例:资产管理/财务智能/业财一体

cd /data/thutmose/AbutionDockerdocker compose up -d

2026-09-07 11:59:37 329

原创 本体层与语义层:为什么你的 AI 智能体需要两者兼备

如果只给 Agent 数据,它可以查询。如果再给它语义层,它可以更可靠地计算。谁是谁什么和什么有关当前发生了什么为什么会发生哪些规则适用哪些事情可以做而当这些能力最终与 Action、策略和运行时结合起来,Agent 才可能从一个“会回答问题的模型”,变成一个真正参与企业运行的软件系统。所以,语义层和本体层并不是二选一。语义层,让 AI 对企业的数字有统一的理解。本体层,让 AI 对企业的世界有结构化的理解。“这个数怎么算?“这是一个什么世界?“在这个世界里,我现在应该做什么?语义↓。

2026-09-06 17:24:51 515

原创 本体论/本体应用,用通俗易懂的方式解释(而不是像教科书那样感到困惑)

本体,就是把“数字世界里的东西”从一个死的数据,变成一个有身份、有关系、有状态、有脑子、有手脚,能够真正活在数字世界里的对象。

2026-09-03 20:31:39 294

原创 从“设备风险传递”了解本体孪生和传统数字孪生的差异

把业务领域已经定义好的影响关系、传播规则和派生函数,直接放入本体运行时,让状态变化能够沿关系产生可计算的后果(变量改变->结果更新)。总结就是“把实体串起来”在数学上的多元方程式。

2026-09-02 16:38:31 443

原创 本体论的演进:从形式语义学到知识图谱、决策与 AI Agent

形式语义↓理解世界↓知识图谱↓连接世界↓决策智能↓判断世界↓AI Agent↓行动于世界这不是本体论被 AI 取代了。恰恰相反。AI Agent 越来越强,本体的价值反而越来越高。因为当 AI 只负责聊天时,语义错误可能只是一个错误答案。当 AI 开始修改订单、调拨库存、审批合同、调度设备时,语义错误就可能变成一次真实的业务事故。它看得懂、推得清、算得准、知道边界,而且能够安全行动的业务世界。这或许正是本体论从形式语义 → 知识图谱 → 决策 → AI Agent。

2026-09-02 14:18:56 552

原创 本体运行时的分布式内核:当所有人都在同时写入时,谁才是真相的真正拥有者

本体库若要配得上“运行时”三个字,最终检验的不是图好不好看、对象全不全,而是这件事有没有被当成内核来做。

2026-09-01 22:16:13 447

原创 本体层与语义层:为什么企业 AI 需要同时理解“数据”和“业务”

大模型解决的是“理解和生成”。数据平台解决的是“存储和计算”。数字到底怎么算。业务世界到底是什么。对象 → 状态 → 关系 → 规则 → 推理 → 行动 → 状态变化。所以,本体应用最值得关注的并不是“又做了一套知识图谱”。把企业的数据组织成一个 AI 可以理解、查询、推理、执行,并能够持续变化的业务世界。对于企业而言,也不必一开始就建设一个庞大的企业级本体。找到一个业务问题 → 找到数据 → 建立最小本体 → 形成业务闭环 → 接入 AI Skill → 增加 Action → 最后进入推演。

2026-09-01 21:32:16 306

ubuntu版64位 cuda8 和cudnn 6 百度网盘下载

ubuntu cada8 + cudnn6 资源下载,我是用来装deepin15.5系统的

2018-05-12

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人

提示
确定要删除当前文章?
取消 删除