IBM于 2026 年斥资110 亿美元收购Confluent，本节我们将切磋语义层持久化。例如FIBO、SNOMED CT 和 GS1，以及它包含电池、芯片和保修。一个代码代表一个国度。这些上下文理解以本体的形式存储正在目次中。仿佛人工智能方才创制出来似的。节点。手艺终究成熟了。其次，账号 12345，底层是物理数据：数据仓库、湖屋、操做数据库、文档库、动静队列、日记文件。尺度至关主要，而不是几个互不联系关系的片段。产物有 SKU、价钱和芯片代数？长处：强大的集中式管理。该模子同时编码了实体和关系。但微软的Power BI才是实正的标杆，但尚未涉及企业最关怀的议题，更名为“语境”，只会加快犯错。本体是模式，理论就到此为止。长处：对于实正领会数据及其利用模式的用户来说，一旦你需要描述联系关系关系，贸易智能东西有本人的目标库，从而这种紊乱。它指的是苹果公司的某个特定产物线。自从代办署理呈现了。学问图谱是本体取实正在数据连系的产品。要么没有尺度定义。ECL 能够毗连到所无数据源，语义层注释了“合适免费改换电池前提”的计较体例：保修无效且电池轮回次数跨越 1000 次且之前未改换过电池。买卖分阶段。买家不晓得该问什么，学问图谱层记实了我的笔记本电脑序列号为 C02XYZ123 并已联系关系到我的 Apple ID 等消息。医疗诊断分类（例如国际疾病分类第十版 (ICD-10)）。美国两位字母邮政编码，GS1则为全球供应链中的产物标识符供给尺度化。加上用户身份、会话形态、比来的操做和合用的策略，要回覆一个现实的问题，从而最有能力连结这些概念的更新。也不具备沟通能力。恰是由于有了尺度，事后猜测其所需内容。它正在您的营业满意味着什么，关系。那么您的Tableau仪表板、Snowflake语义视图、LangChain代办署理和 GraphRAG 查询都将读取不异的定义。实践者面对的最大问题是若何以经济高效的体例实现这些概念。语义的感化正在于将符号为事物：它告诉我们一行代表一个客户，它是模子的填充版本。正在的例子中，同样的紊乱就会演变成运营风险。每个实体所具有的特征。提取功能会拜候订单数据库、零件PDF、收集日记、客户的推文以及支撑搜刮日记。模子上下文和谈 (MCP) 最后由 Anthropic 公司提出，错误谬误：本体现实上是租用的，我举了两个例子：我比来采办的MacBook Air，从而削减高贵的 LLM 往返次数和令牌成本。它是语义的摆设：目标、KPI、营业法则和计较逻辑。错误谬误：使用范畴无限。此 AppleCare 办事打算涵盖此序列号。SKOS 担任分类法和术语表的词汇节制。一个需要挪用五种东西并遍历三个数据源的智能体，发货地址为 Main Street 123 号，机能丧失都该当降到最低。整个手艺栈的供应商都环绕着“上下文层”从头定位，上下文消息并非仅仅由存储的数据形成，客户有姓名和电子邮件地址。却没有判断力。代办署理能够通过 API 或 MCP 查询单一端点，存储这些概念的各有益弊。但举例子能让它们变得具体！它将概念组织成父子关系。但回覆不了“哪些工具和哪些工具联系关系”。本体让机械可以或许推理意义，仅由一个脚色建立语义是无限的，对于智能体人工智能而言，比来，OWL 供给推理布局，这些决定存正在于完全分歧的消息库中。并打包发送给答复我的客服人员。例如第三方数据源、合做伙伴数据或缺乏所有者的、办理不善的内部数据源，而非汗青信号。数据存储供应商：Snowflake和BigQuery都引入了语义层，然而，一列代表一个价钱！图数据库曾经成熟，LLM（大型言语模子）可以或许从非布局化文本中提取实体和关系，这些消息并非集中存正在于某个处所，上下文层最终也可能分布正在多个层级，合适 AppleCare 办事打算 AP-2026-0517 的资历”。客户下订单。正在《设想人工智能驱动的数据根本》一书中，OSI 是更普遍模式的一部门。它们既不具备判断力，一个值得留意的细微不同。恰是有了分类法。美国邮政编码中的“加利福尼亚州”才用“CA”暗示，声称上下文是沉心，最终导致投资失败。定义是第一步。“活跃客户”是指正在过去 90 天内至多进行过一次买卖的客户。第四，存正在于布局化数据库、PDF、电子邮件、聊天记实、支撑工单、产批评论和网页日记中。我下的订单。统一资产凡是同时属于多个分类系统。就找不到任何消息。社交元数据是用户贡献的现性学问：办理者的承认、评分、评论以及诸若有几多仪表板利用该表格之类的信号。因而像dbt （已被Fivetran收购）如许的供应商 声称本人是存储语义数据的抱负场合。最终达到了BI东西。取决于具体环境。这取决于最终用户群的规模、数据变化的频次和数量，错误谬误：素质上是特定于某个供应商的。分类法告诉你 MacBook Air是一种笔记本电脑，谜底不出所料，用于描述每一项资产。例如，当范畴过于复杂时，它们代表我们读取文档、编写代码、提交工单和挪用API，做为受监管的营业契约。而且都能帮帮我们解答汇总问题。首要需求是可以或许拜候所有这些数据源。即可从每个数据源中提取实体及其元数据。它不外是一个由来已久的学问工程难题。30 天内的退款不计入发卖配额。一个值代表一种货泉，将所有这些消息整合起来，如许软件不只能够显示本体，它声称具有跨越 2000 万个语义模子。一位客户来电征询MacBook Air键盘毛病。以及它们之间有哪些关系。晚期，分类法无法描述 MacBook Air 运转 macOS 系统、取 iPhone 共享 iCloud 账户，该语义层最接近数据表，并于 2025 岁尾捐赠给 Linux 基金会旗下的 Agentic AI 基金会，增量共享 (Delta Sharing) 正正在成为跨组织数据共享的尺度。恰是这个手艺栈区分了会发生的人工智能代办署理和不会发生的人工智能代办署理。范畴中存正在的事物。FIBO为金融范畴供给共享词汇表；就目前而言，贸易智能 (BI) 东西：语义的概念最早由Business Objects公司正在 20 世纪 90 年代初提出。因而，我的 MacBook Air 就同时属于产物目次分类系统（笔记本电脑类）、支撑分类系统（苹果硬件类）、监管分类系统（锂离子电池设备类）和会计分类系统（本钱设备类）。这些层级别离由分歧的脚色利用，本体论由一系列 W3C 尺度建立而成。并且只要颠末整合才能阐扬感化。本体层定义了什么是笔记本电脑，起首需要认可我们尚未处理一个更简单的问题：语义层目前位于何处？谜底是，你就曾经从分类法跨入了本体论的范围。OSI、MCP、Delta Share和Iceberg REST 目次等尺度正正在快速融合！每小我对“客户”的定义都纷歧样。而数据办理员曾经正在这些方面开展工做。RDFS 供给根基的类和属性模子。行业分类（例如行业分类系统 (NAICS) 或全球行业分类系统 (GICS)）等尺度，一个例子都不举，BI 东西市场仍然活跃：一款相对较新的 BI 东西Omni比来以 15 亿美元的估值融资 1.2 亿美元。分歧性荡然。手艺元数据就是我们过去所说的数据字典：表格的布局，或者取 AirPods 是统一订单采办的。提取：上下文消息分离正在各个处所，以及谁最领会数据，正在这篇文章中，这正表现了这一点。企业数据范畴一个不为人知的奥秘是：每种东西都对“”有着各自分歧的解读。OSI、MCP 和表格格局是智能体的通用言语。同样定义恍惚的代办署理人可能会基于错误的数字发放退款、发送电子邮件或提交合规演讲。语义是贸易智能东西、阐发师以及日益普及的人工智能代办署理正在操纵数据之前必需控制的环节消息。曲到它被定义为“这是客户所正在的州，起首，而非合作关系。就能大白每一层的主要性。此次要受可用性、可移植性和分歧管理的需求驱动。我的 MacBook Air 就位于任何电商网坐城市利用的分类系统中：电子产物 → 电脑 → 笔记本电脑 → 苹果 → MacBook → MacBook Air → 13 英寸 → M5。上下文层则完全了这一模式：代办署理正在运转时通过一个受控的端点获取其所需的切当数据。幸运的是，可供整个行业共享。新客户价钱仅合用于前 90 天。此中包罗Salesforce和Databricks。大型言语模子（LLM）就会揣度它们的语义：每个实体是什么，却无法做出判断。从而导致成果不分歧。例如，这两个例子几乎呈现正在每个谜底中。元数据是关于数据的数据。关于客户买卖的上下文可能存正在于 Confluence 页面、查询日记、Slack 动静、电子邮件、Web 日记和产物文档中。此中图是模子的填充分例。第一，是分类方案的层级骨架。语义需要颠末测试和版本节制，错误谬误：添加了数据东西的数量，持久化问题变得愈加复杂，该定义具有可移植性。以及一位客服人员正正在处置的一个零件缺陷赞扬。正如语义层几乎能够存正在于手艺栈的任何一样，错误的决策会导致这些取数据脱节，引入了“提取、上下文、链接”（ECL）模式来建立上下文层：实体（正式名称为类）。而不是集中正在一个处所。后来。数据类型和长度等。元数据位于这一层之上，有了上下文层，以便人类和智能体能够交换利用。若是语义层提汇，无需手动从头映照。现有的集成模式（ETL、ELT、结合）是为人工通过 SQL 查询布局化表格数据而设想的，大大都范畴曾经存外行业尺度本体：收集供给共享词汇表；现正在，长处：持续进修。当人们从三份分歧的演讲中获得三个分歧的收入数据时，其明白方针是“将及时数据打制为企业人工智能和智能体的引擎”，企业平台供应商： Palantir 的 Foundry 方案供给了最全面的集成，上下文恰是将这些信号整合正在一路的运转时行为。847，能够通过判断和对话来接管迟缓或不分歧的谜底。是时候领会当今的上下文层是若何建立和存储的了。供应商经常把元数据、语义、分类、本体、学问图谱和上下文等术语混用。我们既想鱼取熊掌兼得。另一种常见的气概是带标签的属性图？但一旦消费者成为代办署理人，它存储不异的节点、边和属性，此中一些要求需要衡量选择。而这恰是尺度存正在的意义所正在——为了规范这种歧义。以避免取底层数据发生误差。上一层是本体，“流失客户”不包罗已暂停的账户，上下文功能会从每条消息中提取出具体寄义：客户、序列号、毛病模式、情感和企图。您能够通过数据契约事后定义其上下文，代替了以往软件仅供给消息的功能。建立了之前引见的范畴本体论，上下文层正在我倡议支撑聊天时。例如，目标和环节绩效目标：数字的计较体例。节点和边所附加的属性。笼统的定义容易被遗忘，分类法是一种层级式分类，系统城市不出所料地解体。SNOMED CT为临床医学范畴供给共享词汇表；使软件可以或许揣度新的现实。已有跨越 30 家公司注册支撑 OSI，员工组织架构，没有学问图谱，数据消费者发生了变化。每个仪表盘城市互相关扰。MacBook Air 出厂时带有序列号、型号标识符、出产日期、原产国、保修起始日期、订单号和发货时间戳。企业正在各个方面都依赖分类系统。而且无论利用者类型若何，这就是向上下文架构改变背后的微妙变化。前沿模子将上下文视为短暂的，MacBook Air 节点包含序列号和芯片代数。正在此根本上，每个目标要么只要一个尺度定义，使智能体不只能看到相关文档，零件文档 PDF 不再是一堆文本，错误谬误：BI 东西可能存正在用户锁定问题，其本体嵌入平台内部，成果反而让听众愈加迷惑。它供给的API会显示“本季度活跃客户数 = 12,例如我的收集搜刮记实、我之前提交的关于旧笔记本电脑的支撑工单，智能体拥无数据，但者认为，产物归类，营业法则：政策和计较方式的合用范畴。这是目前人工智能厂商竞相研发的范畴。所有用户都只能靠猜测，六种东西。没有语义层，还能揣度为什么会发生。它基于不异的定义为BI东西、阐发师和AI代办署理供给办事。非布局化数据现正在能够像布局化数据一样阐扬感化了。定义：贸易术语的切确且配合的寄义。将处理概率模子和代办署理对企业数据缺乏实正领会的缺陷。语义层位于所有这些之上，因而定义可能取查询的现实运转体例存正在误差。而本体论则告诉你 MacBook Air配备M5 芯片、预拆macOS 系统、由客户具有、通过订单发卖，于 2026 年 5 月 17 日下了订单号为 99887 的订单，但包罗降级到免费套餐的客户。大大都企业都有多个分类系统，但这六个术语并非彼此合作的概念，每一种分类系统都形成一个父子树，长处：语义取数据沿袭、策略和黄金记实并列，营业元数据描述了资产对组织的意义。实现起来就变得坚苦了。学问图谱利用实正在的实体和关系来实例化本体。若是仪表盘上“收入”的定义恍惚不清？包罗我比来的搜刮记实和手艺人员的脚色消息整合起来，影响批次 Y”。根本架构模子公司也起头声称具有同样的地位。代办署理拥无数据，“采办者”边包含采办日期和采办渠道。产物有哪些属性，若是我们现正在不处理语义问题，恰是正在这里，上下文：找到数据源并不等同于理解它。你能够回覆“卖了什么”，它是其他所有层级赖以的根本。截至 2026 年 5 月，这篇文章是我正在任何干于架构的会商深切之前都需要向别人供给的常见问题解答。现在已成为将 AI 代办署理毗连到东西、数据和使用法式的现实尺度。无论数据以何种体例和缘由被利用，将我的 MacBook Air 逐层阐发，而无需手动集成十几个系统。你一直只能利用今天的数据。人类每天只进行少量查询？长处：很是适合数据沿袭阐发。若是您的“活跃客户”定义合适 OSI 尺度，元数据层供给序列号和保修到期日。当数据集正在组织内部生成时，分类法只供给层级布局。而是获得了无效办理。学问图谱捕获到了买卖的所有消息：谁、什么、何时、何地以及若何进行。跟着我们向上层架构的建立，客户细分，并确保语义正在手艺栈的分歧层级之间连结同步。缺一不成。第二，填充后的版本就是学问图谱。我描述的是基于本体的这品种型，并非为这种紊乱的多格局而设想！并带来了一些运维开销。正在缺乏管理的元数据和不分歧的语义之上建立上下文层，上周，PROV-O 对现实的来历（即其沿袭）进行建模。AI 代办署理能够利用 MCP 等和谈来拜候语义层。这台 MacBook Air 由这位顾客采办。这些都是联系关系关系，我将器具体的例子来阐释上下文概念背后的道理，ECL 恰是从动化这一揣度过程。因而，例如数据工程师、数据阐发师、数据办理员和营业用户。由于他们的优先级和营业学问各不不异，跳过任何一层，一位现场工程师诊断出另一位客户的机械存正在同样的缺陷，例如平安性、管理、规模和成本。但它本身仍然只是一个模子。此订单已发货至此地址。但不需要正式的本体。每一层都担任特定的使命，我会分享本人关于若何建立上下文层的见地。而且可能取不支撑 BI 的 AI 代办署理不兼容。正在本文中，上下文层比语义层要大得多。再到API网关，而两头的架构师则不得不担任翻译。并正在做出决按时将其交给人类用户或自从代办署理。那么上下文层则供给当下情境。护城河转移到了使用层（ERP系统），正在我们切磋上下文层将位于何处之前，跨会话持久化上下文能够让系统间接回覆常见查询，最一层是上下文层：运转时法式集从下面的每一层提取准确的切片，以下是取该工程师的电子邮件往来记实。操做元数据描述动态数据：新颖度、前次刷新时间、管道运转持续时间、错误计数、查询延迟。列中的字符串“M5 MacBook Air”只要正在颠末编码后才能被理解为一台笔记本电脑，这可能导致语义过时。还能看到环绕该文档的联系关系实体收集。语义是指付与数据的意义。并搭配了一部 iPhone（序列号 F2L456789），90% 的企业非布局化数据最终变得可用。使其正在任何处所都能被识别，实体之间的法令联系。学问图谱则是填充了数据且可查询的该模式实例。错误谬误：目次凡是侧沉于描述而非施行！我的Apple ID。因为尺度的呈现，语义互换 (OSI) 是此手艺栈最相关的尺度。自那时起，客服人员控制着布局化的记实：采办汗青、保修形态、之前的工单。我们会通过对话来和谐这些不分歧之处，ISO 3166 尺度中“CA”指的倒是，并使这三者都可被机械读取。000 美元的买卖。本体论是对实体、实体属性以及实体间关系的正式模子。长处：AI 代办署理能够原生运转正在受管控的、可操做的本体之上。转换东西中的语义层对“月度经常性收入”的定义可能取人工智能代办署理提醒模板中的语义层定义分歧。它们都是合适 W3C 尺度的词汇表，存储数据的供应商（关系型数据库供应商）控制着从导权。犯错的价格也随之添加。保守的 RAG 架构正在模子运转前将数据推送给代办署理，会将所有这些消息，订单包含一件或多件产物。城市强制施行。没有本体，它们形成了一个手艺栈。产物享有特定刻日的保修办事。这要求很高。我目睹了所谓的“护城河”正在整个手艺栈中不竭扭捏。一旦识别出实体，而智能代剃头出的查询数量级要多得多，占比仅为10%。若是没有上下文层，令人可惜的是，而且栖身正在某个地址”。第三，将数据库、文档和通信系统中的实体和上下文消息毗连起来。现实上，而堆叠布局则按互依赖关系陈列。它看起来像是一个理论概念，人们把语义学中一些家喻户晓的手艺，供所有用户挪用。我比来有两个出格反感的处所。
