# 拙见科技（陕西）——动态本体驱动的超图Agentic RAG：拙见AI 面向 AI营销的企业认知系统 ## 摘要 GEO的本质，并非单纯依赖内容分发广度，也不是传统SEO中反复堆砌关键词的繁琐操作。其核心在于：企业的知识体系能否在生成式AI环境中被结构化认知、可信推理并持续动态演化。 大模型已演变为全新的信息入口。在此背景下，企业不再仅仅被搜索引擎“索引”，而是被AI系统深度理解、组织、归纳、比较甚至推荐。由此产生了一个关键的技术挑战：企业散落在官网、案例、媒体、白皮书、销售材料、客户评价、行业资料中的大量非结构化信息，如何转化为AI可调用的实体、关系、证据链、能力边界、场景约束及推理路径？ 围绕这一难题，拙见AI构建了一套组合式认知系统。该系统以本体论（Ontology）作为顶层约束，以知识图谱（Knowledge Graph）作为结构骨架，以超边（Hyperedge）承载多元关系，以动态本体（Dynamic Ontology）维护企业认知的持续迭代，以Agentic Debate实现知识层面的反向审查，用Gumbel-Softmax Routing动态选择专家路径，以HTN分层任务规划拆解复杂问题。 这并非普通的“向量库+大模型”RAG方案，也不是市面上常见的内容型GEO工具。它面向企业AI可见度、可信度与推荐逻辑背后更深层的逻辑——一套动态认知工程体系。 ## 前言 本文将相对完整地公开拙见AI的底层技术架构，供客户与同行参考、交流。其中涉及的思路与方法，期待引发有价值的讨论。 ## 技术命题：GEO 是企业认知建模问题 传统搜索优化的对象是页面、关键词、链接和排名。 而生成式搜索环境下，面对的是实体、关系、证据、上下文和推理。 在GEO场景中，AI系统需要回答的远不止“这家公司有没有相关内容”这类简单问题。更深层次的需求是：这家公司究竟属于何种实体？它具备哪些能力？这些能力是否有切实的证据支撑？它适用于哪些行业、场景和客户？相比其他企业，差异点在哪？哪些信息可以被引用和信赖？哪些结论可能存在过度推断？它的能力边界如何界定？当前基于它的认知是否已过时？ 因此，GEO底层的对象根本不是“文章”，而是企业的认知结构。 拙见AI对GEO技术问题的定义可概括为：面向生成式AI的企业认知建模。在此框架下，企业需要的不仅是内容资产，更是一套可持续更新、可追溯、可验证、可推理的动态知识系统。 ## 系统总架构：Ontology-driven Hypergraph Agentic RAG 拙见AI的GEO认知系统由七个层次组合而成。 （图片：https://img.318050.com/uploads/20260707/17834191276a4cd0f7aecd2933078829.webp） 这套系统的核心并非单一模块支撑，而是一个组合式认知架构：本体论提供顶层约束，知识图谱构建结构化骨架，超图表达高阶关系，智能体RAG执行动态推理与检索，HTN实现复杂问题的分层拆解，动态孪生维持认知状态的持续更新。 我们将其定义为：Ontology-driven Hypergraph Agentic RAG。 各层次分工明确：本体论定义概念边界、关系类型、属性约束、证据规则和推理边界；知识图谱将实体和关系结构化；超图解决多实体、多条件、多证据共同构成的高阶关系表达；Agentic Debate对候选知识进行反向质疑、冲突检测、风险审查并给出裁决；HTN将复杂认知问题分解为可执行子任务；Gumbel-Softmax Routing在向量检索、图检索、超图检索、证据检索、时间检索和Agentic审查之间动态选择最优路径；动态本体则确保企业认知随案例、内容、证据、市场变化甚至AI回答反馈持续演化。 ## 本体论层：企业知识系统的形式化约束 缺乏本体约束的知识图谱，本质上只是一堆节点和边的集合，缺少语义层面的秩序。 在企业认知系统中，本体的职责十分明确：定义概念类型、关系类型、属性集合、证据规则、时间约束、推理边界、风险标签和版本状态。 拙见AI将企业动态本体定义为：O_t = (C_t, R_t, A_t, I_t, X_t, P_t, V_t)。其中，C_t是概念集合，R_t是关系集合，A_t是属性集合，I_t是实例集合，X_t是约束集合，P_t是推理规则集合，V_t是版本状态。 在GEO场景中，典型概念包括企业、品牌、产品、服务、案例、客户、行业、地区、平台、证书、媒体、信源、证据、主张、能力、风险、推荐等。典型关系则包括提供、服务、归属于、被验证、被支撑、适用于、与……竞争、被提及、在……条件下被推荐、受……限制等。 本体层发挥作用的方式是在知识进入图谱之前施加约束。例如，系统从某处抽取到“Company_X provides Overseas_GEO_Service”这条关系，本体不会直接接收。它会先检查：Overseas_GEO_Service是否属于Service类？provides关系是否允许连接Enterprise和Service？该服务是否有公开证据？是否有案例支撑？是否存在区域、行业或时间边界限制？与历史版本描述有无冲突？最终还需判断该关系应归入哪个证据等级。 这一步，本质上是将语言层面的生成转化为知识层面的治理。LLM生成的是候选知识；而本体决定了候选知识是否有资格进入系统。 ## 知识图谱层：从非结构化文本到实体关系网络 企业真正有价值的知识，大多隐藏在非结构化材料中：官网页面、新闻稿、公众号文章、白皮书、销售PPT、客户案例、合同、服务项说明、短视频脚本、FAQ问答、客户评价、行业报告、第三方媒体报道…… 系统处理这些非结构化数据的流程是一个逐步提炼的过程：从原始文档开始，进行语义切分，然后提取实体、关系、属性、事件，再绑定证据、生成主张，最终构建超边。 在该抽取层，系统会生成四类核心对象：实体、关系、事件、证据。每类对象都有清晰的属性和约束。 知识图谱层的作用是将企业知识从文本空间迁移到结构空间。普通RAG保留的是“文本相似性”，而Graph RAG保留的是“实体关系结构”。GEO场景需要后者——因为AI在推荐一家企业时，不会简单复述文本，而是在多个实体和关系之间形成判断。判断的准确性直接取决于底层结构的清晰度。 ## 超图层：多实体、多条件、多证据的高阶关系表达 传统知识图谱的核心表达方式是三元组：（主体，谓语，客体）。例如“拙见AI提供了GEO服务”。 然而企业认知中真正关键的判断，绝大多数不是二元关系能解决的，往往是多条件关系。举例来说：当一家企业属于B2B制造业，已有阿里国际站，目标市场在海外，客户决策链路中存在AI搜索行为，且该企业缺乏独立可信信源、需要增强品牌信任——在此情境下，海外GEO信源建设才是适配方案。 这类判断，单靠三元组知识图谱完全无法表达。 因此系统引入了超边概念。一条超边包含一组参与关系的实体、超边关系类型、条件集合、证据集合、时间约束和置信权重。以上述例子为例：参与实体包括B2B企业、阿里国际站、海外市场、AI搜索行为、品牌可信度、海外GEO；关系类型为“适合”；条件集合包括已有渠道、目标市场、信任缺口、AI搜索行为等判断；证据集合则涵盖官网信源、案例信源、媒体信源和白皮书信源。 超边表达的正是“多个实体 + 多个条件 + 多个证据 + 一个判断”的组合结构。这正是GEO场景中最核心的关系形态。一家企业是否值得被AI推荐，很少由单一事实决定；而是由多组证据、多组条件共同决定。 ## 动态本体：企业认知的时间演化机制 企业认知不能是静态的。新案例会改变能力边界，新媒体报道会改变证据权重，新官网页面会改变可引用信源，新客户评价会改变品牌可信度，新的AI回答错误会暴露知识缺口，新服务上线会改变概念结构，新市场进入会改变适配场景。 因此，企业本体必须是动态的。 动态本体的更新可概括为：在新版本中，概念、关系、属性、实例、约束、证据和版本状态都会发生增量变化。每一次更新都要经过候选抽取、本体映射、实体对齐、关系校验、证据绑定、冲突检测、Agentic审查，最后才是版本提交。 这个过程不是“不断往里加资料”那么简单，它维护的是企业认知结构的一致性。在GEO场景中，这意味着企业在AI世界中的表达不再依赖零散的文章，而是依赖一个持续更新的认知状态。 我们将这种状态称为企业认知数字孪生。它不是物理设备的孪生，而是企业事实、能力、证据、案例、场景、风险和推荐逻辑在语义层面的孪生。 ## 异构数据融合：多源知识的一致性治理 GEO认知系统面对的数据从来不是单一来源。典型数据源包括企业官网、媒体报道、客户案例、白皮书、公众号内容、销售材料、短视频、客户评价、行业报告，甚至AI问答的反馈数据。 同一个实体在不同来源中可能被写成不同名称。例如“拙见AI”“西安拙见”“拙见科技”“拙见AI营销”“Zhuojian AI”“zhuojian.cc”，都指向同一个事物。系统必须进行实体解析——判断两个表达到底指向同一个实体、相关实体还是冲突实体。 关系层面同样需要归一化。“提供GEO服务”“做GEO优化”“提供AI搜索优化”“做生成式引擎优化”“GEO增长服务”——这些表达在文本层各不相同，但在本体层面可能映射到同一服务概念或相邻概念。 异构融合的真正目标不是简单合并数据，而是建立一致性。每一个进入系统的知识项都必须携带完整的元数据：来源、来源类型、时间戳、置信度、证据等级、可见性、版本、审查人、风险标签。有了这些，系统才具备可追溯性、可审计性和可回滚能力。 ## Agentic Debate：多智能体知识审查机制 企业认知系统绝不允许LLM一次生成的结果直接成为事实。这一点必须反复强调。 拙见AI的做法是使用Agentic Debate机制，将候选知识进入系统前的审查过程拆分为多个智能体角色，包括抽取智能体、本体智能体、证据智能体、矛盾检测智能体、时间智能体、质疑智能体、风险智能体、推理智能体和裁决智能体。 每个智能体职责明确：抽取智能体负责提取实体、关系、事件和属性；本体智能体校验概念类型和关系合法性；证据智能体验证证据是否充分；矛盾智能体识别与既有知识的冲突；时间智能体判断时间有效性；质疑智能体专门提出反方质疑；风险智能体识别夸大、误导和越界表达；推理智能体执行推理判断；裁决智能体最终决定是否入库、降权还是驳回。 一条知识入库的完整流程如下：候选主张进入后，依次经过本体检查、证据检查、矛盾检查、时间检查、质疑挑战、风险审查，最后才进行裁决。裁决结果有几种可能：高置信度接受、低置信度接受、需要人工复核、降级为参考信息，或直接拒绝。 这套机制的本质可概括为：生成不是知识，经过验证的生成才是。 ## Gumbel-Softmax Routing：多专家路径选择 不同的GEO问题需要完全不同的推理路径。 品牌事实类问题需要证据检索；案例匹配类问题需要图谱检索加上时间维度验证；服务适配类问题需要本体约束和超图检索；质疑反驳类问题需同时调动Agentic Debate和矛盾检测；历史版本类问题需要专门的时间检索；复杂推荐类问题则需要多条路径融合。 系统定义了一个专家集合，包括向量检索、图检索、超图检索、本体约束、证据检索、时间检索和Agentic审查。对于输入的每个问题，路由器会生成一个专家选择分布。该过程引入Gumbel噪声和温度参数，本质上是在不同专家路径之间进行动态概率选择。 不同的问题对应不同的专家组合：品牌事实查询走证据加图检索；案例匹配查询走图谱、时间加证据；服务适配查询走本体加超图；风险挑战查询走Agentic加矛盾再加证据；多条件推荐查询需要超图配合裁决智能体共同完成。 这套机制使系统不再是固定的RAG链条，而是具备任务自适应能力——面对不同问题，能自动选择最合适的推理路径。 ## HTN 分层任务规划：复杂认知问题的结构化拆解 复杂的GEO问题往往无法一步回答。 例如：一家已有阿里国际站的B2B制造企业，是否还需要独立建设海外GEO信源？这个问题无法直接给出答案。它需要被拆解为一系列子任务：先识别企业类型，再识别既有获客渠道，判断目标市场，了解客户决策链路中AI搜索行为是否存在，检查当前信源结构，识别可信证据缺口，匹配相似案例，最后判断服务适配性，生成结论并附上证据链。 HTN的核心就是将根任务分解为多个可执行的子任务，每个子任务绑定不同的工具或专家智能体。实体抽取、图谱检索、本体分类、超图检索、证据验证、矛盾检测、裁决判断——各司其职。 这里有必要做一个总结：HTN解决复杂问题的可执行性；Agentic Debate解决复杂问题的可信性；超图解决高阶关系表达；本体解决边界约束。四个层次结合在一起，构成了拙见AI GEO认知系统的核心推理框架。 ## 成果基础：从行业智能体到 GEO 认知系统 拙见AI当前的GEO技术路线并非从内容工具延伸而来。它背后的基础是智能体、知识图谱、动态知识演化、多模态知识抽取和多智能体协同等前置技术实践。 2025年，拙见创始人参与并完成了一个多智能体协同的RAG项目，成果名称为“污水处理工艺设计智能体技术与应用”，类型为应用技术成果，完成单位包括南京大学、咸阳师范学院等，委托评价单位为中华环保联合会。评价报告显示，该成果面向污水处理行业的智能化转型，围绕“数据驱动、知识融合、智能决策”构建了智能体平台，形成了知识图谱构建与动态扩展、多模态知识抽取、多情景机器学习与大语言模型池、智能路由与任务分层算法、语言问答体、工艺流程自动生成、故障诊断与方案比选等技术模块。报告还指出，该成果创建了“知识—模型—应用”三层协同体系，构建了包含多类工艺单元和模型基元的效能预测模型池，形成了专利、软件著作权和论文等成果积累，相关成果被评价为达到国际领先水平。 （图片：https://img.318050.com/uploads/20260707/17834191286a4cd0f8b519b664656435.webp） 这套前置技术实践与GEO认知系统在底层范式上高度一致。污水处理智能体面对的是行业机理复杂、工艺知识分散、专家经验难以结构化、多源数据难以融合、工艺方案需自动生成、故障诊断需可解释等问题。而GEO企业认知系统面对的是企业知识分散、品牌事实不一致、服务能力边界模糊、案例证据难以结构化、AI回答存在幻觉、推荐逻辑缺乏证据链等困境。场景不同，但底层技术问题一致：非结构化知识抽取、知识图谱构建、动态知识演化、多源异构融合、任务分层规划、智能体协同推理、证据链约束、可解释决策。 因此，拙见AI的GEO系统本质上不是内容包装，而是将智能体技术、知识图谱技术、动态本体技术和多智能体协同技术迁移到企业AI认知场景后，形成的工程化系统。 ## GEO 场景中的技术领先性 在国内GEO行业中，大量服务目前仍停留在三类阶段。第一类是内容型GEO，以文章、问答、媒体分发为核心。第二类是检测型GEO，以AI平台搜索测试、提示词监测、曝光统计为核心。第三类是基础RAG型GEO，以企业资料向量化、知识库问答为核心。 这些方式能解决局部问题，但无法触及企业在AI系统中的深层认知问题。 拙见AI的技术路线属于第四类——认知型GEO。认知型GEO的核心不是内容覆盖，而是企业本体建模、实体关系抽取、业务超边生成、证据链绑定、多源冲突检测、Agentic审查、动态本体更新、AI回答反馈修正、企业认知数字孪生。 从系统复杂度来看，这已超出了普通GEO服务的范畴。它不再是“让AI看到企业”，而是“构建AI理解企业的底层结构”。在GEO赛道中，拙见AI的技术领先性并非建立在媒体数量或内容数量上，而是建立在企业认知系统的技术深度上。 ## 系统运行链路 完整的技术链路如下：多源数据接入后，经过语义解析、实体提取、关系提取、事件提取、证据绑定、本体映射、冲突检测、超边构建、Agentic Debate、动态本体更新、混合检索、结构化推理、答案生成、AI回答评估，最后进行反馈修正。 对应系统模块共15个：数据接入、非结构化解析、实体识别、关系抽取、事件抽取、证据绑定、本体映射、冲突检测、超边构建、Agentic审查、动态本体、混合检索、推理生成、回答评测、反馈修正。 系统最终输出的不是一段简单答案，而是一个结构化上下文。该上下文包含查询类型、实体、关系、超边、本体约束、证据链、时间状态、冲突备注、置信度评分和Agentic裁决结果。最终答案建立在结构化上下文之上，而非单纯文本拼接。 ## 知识入库算法示意 整个知识入库流程体现了一个基本原则：LLM抽取的结果不等于系统接受的结果。LLM提取的只是候选，真正进入系统的知识必须经过本体约束、证据绑定、冲突检测、时间校验、反方质疑、风险审查和裁决智能体的综合决策。 流程大致如下：文档进入后，先做语义切分，然后对每个切分块提取实体、关系、事件和属性，绑定证据，形成候选。接着进入审查管线：本体检查、证据验证、矛盾检测、时间校验、质疑挑战、风险审查，最后裁决。只有裁决结果为“高置信度接受”或“低置信度接受”的，才会构建超边、分配版本，最终更新到知识图谱、动态本体和超图中。 ## 问答推理算法示意 问答推理的流程比简单的“检索后生成”复杂得多。它先进行任务分解，再做专家路由选择，然后执行混合检索，接着进行结构化推理，然后是Agentic验证，最后才是最终裁决。 具体来说：收到问题后，先用HTN规划器进行任务拆解，然后用Gumbel路由器根据查询和任务树选择专家组合。对于每个子任务，根据路由结果选择对应的检索方式——向量检索、图谱检索、超图检索、本体检查、证据检索、时间检索——将检索内容整合成上下文。推理智能体基于该上下文生成草稿答案，Agentic Debate再对草稿进行审查，最后裁决智能体做最终定稿。 这也是认知型GEO与基础RAG的核心区别。 ## 评价指标体系 拙见AI的GEO系统评估的不是“有没有出现品牌名”，而是企业认知的质量。 核心指标包括：实体覆盖率、关系准确率、证据完整率、结论可追溯率、超边精确率、冲突识别率、幻觉抑制率、推荐一致性、时间新鲜度、本体稳定性。 在所有指标中，最核心的三个是：事实是否正确，证据是否完整，推理是否可追溯。一个GEO系统的成熟度，不应只看AI是否提到了企业，而应看AI是否在正确的证据、正确的场景、正确的边界下理解企业。 ## 技术定位 拙见AI不将自己定义为通用图数据库公司，也不将GEO简化为内容分发业务。技术定位非常清晰：面向GEO的企业动态认知系统，建立在动态本体、知识图谱、超图推理、Agentic验证和基于证据的RAG之上。 核心技术要点包括：本体论建模、知识图谱构建、超边关系表达、动态本体演化、异构数据融合、多智能体审查、HTN任务规划、Gumbel-Softmax动态路由、证据链绑定、AI回答反馈修正、企业认知数字孪生。 这条技术路线决定了拙见AI不是内容型GEO公司，而是技术驱动型GEO公司。 ## 结语 生成式AI时代，企业竞争的逻辑已经改变。竞争不再是搜索排名层面的较量，也不是单纯的内容曝光比拼。真正的竞争，是AI对企业认知结构的竞争。 企业需要被AI正确理解，需要被证据支撑，需要被动态更新，需要在复杂问题中被可追溯地推荐。 普通RAG解决的是文本召回层面的事。Graph RAG往前走了一步，解决了实体关系。超图RAG再往前走，解决了多条件高阶关系。动态本体解决的是认知演化。Agentic Debate解决的是知识审查。HTN解决的是任务分解。Gumbel-Softmax Routing解决的是路径选择。基于证据的生成，解决的是可信输出。 拙见AI将这些技术组合到GEO场景中，构建的是企业在生成式AI世界中的动态认知底座。 GEO的下一阶段，不属于内容堆砌，而属于认知系统。 这就是拙见AI的技术方向。