先分享一个核心观点：模型能力的天花板，往往由数据的质量与结构决定，而非模型本身的参数规模。在大模型的实际落地过程中，这一规律愈发明显——尤其在工业领域，大量数据以非结构化形式存在，例如各类PDF、操作手册、技术规范等，语义复杂、专业术语密集、上下文依赖性强，且同一概念常有多种不同表述。如果直接将这些数据送入大模型，RAG召回不稳定、上下文噪声高、幻觉频发几乎是必然的结果。

项目背景

因此，本项目的核心目标不仅是构建一个问答系统，更是要建立一套面向大模型的数据治理与数据供给体系。换言之，必须先把数据“伺候”到位，模型才能真正发挥其潜力。

整体系统架构

整个系统可以抽象为一条完整链路：数据 → 知识 → 语义 → 应用。虽然听起来宏观，但每个环节都有具体而扎实的设计支撑。

核心设计一：本体论 = 数据标准体系

**1. 本体的本质** 在本项目中，本体论扮演的是领域数据标准与元数据模型的角色。它定义了一套HVAC领域的统一语义结构：13类实体（设备、参数、工艺、故障等），13类关系（包含、依赖、影响、控制等），共同构成一个13×13的语义约束体系。 **2. 本体解决的问题** （1）术语统一。例如“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”合并为统一表达。本质上实现了数据标准化。 （2）关系约束。如“空调机组 `contains` 压缩机”“温度 `affects` 制冷效果”——统一关系类型与方向，避免语义歧义。 （3）减少幻觉。通过规则限制仅允许13种关系，禁止过度推理，强制保持语义一致性。这本质上是数据质量控制的关键手段。

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（基于LLM的本体），而非OWL／RDF的形式本体。原因很现实：软本体构建成本低、迭代速度快、对噪声容忍度高，尤其适合工业领域杂乱的非结构化数据场景。 **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。概括来说：用本体作为数据治理的规则引擎。全局本体约束`{global_policy}`贯穿整个流程。

核心设计三：多Agent协同的数据质量控制

为提升数据质量，我们设计了一个四阶段协同机制。这本质上是在构建一套面向AI的数据质量治理机制——让数据从源头到产出始终处于可控状态。

核心设计四：知识图谱 = 数据资产沉淀

最终输出成果：节点478个、关系417条。这意味着原始文档已转化为结构化的知识资产。这一步的价值在于：数据可复用、可查询（通过Cypher）、可扩展、可跨场景使用。本质上是实现数据资产化。

核心设计五：RAG = 数据供给接口

许多人把RAG当作问答技术，但在本系统中，RAG扮演的是数据供给层——从知识资产中检索上下文、构建模型输入、提供稳定的语义支撑。RAG效果的问题，归根结底是数据问题。

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”。未来可以逐步演进：

阶段1：增强型软本体

增加质量检测机制，引入置信度评分。

阶段2：混合本体

核心概念采用OWL化，引入推理引擎。

阶段3：形式本体

标准化建模（OWL/RDF），构建企业级知识体系。

总结与启示

本项目最大的收获并非技术本身，而是对AI、对数据认知的转变。起初以为只是做一个普通的RAG系统，最终却构建了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、可复用、可被AI稳定使用。在AI时代，数据不再只是被存储和分析，而是要成为模型消费的“燃料”；数据治理也从服务给人类看的BI，转向服务大模型与智能系统。这或许才是整个项目最核心的启示。