搭建本体资产

本体资产的价值不在于“建了多少文件”，而在于把过去散落在 SQL 样例、DDL、字段值映射、业务术语字典里的知识整理成机器可读的业务语义。

以“本月股基毛佣金率是多少”为例，业务人员说的是一个熟悉的口语问题，系统要回答时需要先拆开几件事：“本月”是时间语义，需要映射到对应的日期范围。“股基毛佣金率”是组合指标，需要找到它依赖的交易量、佣金等基础指标。“毛佣金率”的计算规则不能写成 sum(佣金/交易量)，应该按口径执行 sum(佣金)/sum(交易量)。

查询涉及的表、字段、机构维度和权限过滤，也要在执行前确定下来。这些内容靠提示词临时约束很难长期稳定。放进本体之后，模型不需要每次重新猜业务规则，Agent 可以沿着本体给出的指标、维度、关系和规则完成查询。

链路可检查

在产品实现上，本体智能问数系统把用户问题拆成一条标准链路：

这条链路的关键在于过程可查。系统不仅返回最终答案，也保留意图识别、实体范围、DSL、SQL 和结果明细，业务人员、数据团队和审计人员都能回看。

当用户说“最近交易怎么样”，系统会识别到问题缺少指标、时间和分析维度，触发澄清，避免直接给出一个看似合理的答案。

这也是金融本体智能体和普通问答助手最大的差别之一：它回答问题前，要先确认自己能不能问、该怎么问、按哪个口径问。

本体可持续进化

本体解决的是“业务如何被理解”，智能体负责“任务如何被执行。

在券商这个场景里，Agent 不止生成一段 SQL。它承担了意图识别、澄清追问、指标路由、权限校验、查询执行、结果解释等动作。

项目中还有一个值得关注的变化：系统从“被动响应查询”开始走向“主动供给”。传统知识库通常等待用户来查，本体智能体可以主动关联指标、推送历史模板、提示口径差异，并在结果中高亮合规要点。

这对金融机构的数据服务很重要，因为业务难点在长期运营：业务知识要更新，指标口径要统一，系统权限要跟得上，数据服务也要能持续维护。

业务变化后，本体可以继续迭代；底层表结构调整后，上层查询尽量保持稳定；新增业务问题时，可以把新指标、新维度、新路由规则沉淀到同一套语义资产里。