00 为什么需要本体
本文是《本体上手指南》系列第 1 篇（共 9 篇），零基础入门「本体 × 智能体」。 完整系列文章与全部源码都在 GitHub：https://github.com/jasony62/ontology-agent-demo（欢迎 Star / Fork / Issue） 在线免费阅读（GitHub Pages）：https://jasony62.github.io/ontology-agent-demo/
阅读时长：约 8 分钟 · 配套动手：约 5 分钟 读完你能：说清"为什么要用本体"，并看懂本系列的学习路径
一个真实场景
假设你是一个 AI 应用的使用者，你问智能体：
「登录模块开发谁能做？」
纯大模型的做法是——凭概率"猜"一个答案；而接入本体的做法是——给出确定答案，并把依据一步步摆给你看：
同样的一个问题，右侧的回答来自一个 本体（Ontology）：它先查事实（研发 Agent 具备"编码实现"能力），再套规则（R1 能力匹配），最后推出结论。每一步都有据可查，换个问法结果也一样。
这就是本系列要带你掌握的东西。
三个痛点
先问一个问题：为什么我们需要本体？ 答案藏在大模型应用的三个痛点里。
| 痛点 | 表现 |
|---|---|
| 结果不确定 | 同一个问题，换个措辞、换个时间问，答案可能就变了；涉及任务分配、权限判定、合规检查时，这种"概率式回答"很危险 |
| 不可解释 | 大模型说不出自己为什么这么答；而"为什么"恰恰是生产系统里最常被追问的 |
| 知识不沉淀 | 知识散落在一次次的对话里，用完即走；换一个智能体、换一个场景，又要重新说一遍 |
需要澄清的是：本文并不否定大模型。恰恰相反，本系列的主角是大模型 + 本体的组合——大模型负责理解和表达，本体负责确定性和可解释。
本体的承诺
本体能补齐上面三个短板，靠的是三个特性：
- 确定性：结论由"事实 + 规则"推出，同一输入必然得到同一输出，不靠概率。
- 可解释：每次推理都附带一条推导链——"事实 → 规则 → 结论"，能直接回答"为什么选它"。
- 可复用：知识以标准文件（
.owl）形式沉淀下来，任意服务、任意智能体都能加载同一份模型，不重复造轮子。
这正是本仓库「本体 × 智能体协作 Demo」的设计理念（摘自项目 README）：
用户用自然语言提问，智能体负责理解与编排（把问题翻译成对推理 API 的调用），本体负责给出确定性、可解释的推理结论，智能体再把结论组织成回答。全程可视化展示「事实 → 规则 → 结论」的推导链。
简单说：智能体负责"听懂人话"，本体负责"算得准、讲得清"。
本系列的学习路径
《本体上手指南》共 9 篇，四大模块递进。你不需要任何本体基础，跟着走完就能亲手把一套本体推理服务跑起来，并让智能体学会调用它。
| 模块 | 篇目 | 你将获得 |
|---|---|---|
| A 概念与示例 | 篇 0 为什么需要本体（本篇） | 理解本体的价值 |
| 篇 1 本体入门：类、个体、属性与关系 | 读懂一个 .owl 文件 | |
| 篇 2 解剖示例本体：智能体任务编排 | 看清"这个本体里有什么" | |
| B 推理与图谱 | 篇 3 本体推理原理：从公理到推导链 | 理解机器如何"推出"结论 |
| 篇 4 本体与知识图谱：一张图看懂 | 讲清本体和图的区别 | |
| C 服务搭建 | 篇 5 半小时搭建本体推理服务 | 独立跑起 REST API + CLI |
| 篇 6 用 MCP 把本体服务接入智能体 | 把服务接入豆包对话 | |
| D 智能体应用 | 篇 7 智能体 × 本体协作实战 | 设计自己的"智能体+本体"应用 |
| 篇 8 把本体服务变成你自己的 | 换本体、新建领域、加规则 |
动手：把它跑起来
趁热打铁，先用 5 分钟把 Demo 跑起来，亲眼看看本体长什么样。
cd ontology-agent-demo
# 用 Docker 一键启动推理 API + Demo 页面（首次会自动构建镜像，稍等片刻）
docker compose up -d api
打开浏览器访问 http://127.0.0.1:8000，你会看到一个"智能体任务编排本体"的图谱可视化页面：
左侧是智能体，右侧是任务，连线表示能力、依赖与推理关系。页面顶上会显示"引擎就绪：Agent×5 · Task×8"——这就是本体里已有的知识。
然后，在 Demo 页面里依次体验下面这 6 种问法，感受"智能体理解问题 → 本体推理 → 给出推导链"的完整链路：
| # | 问法 | 智能体做什么 | 本体推理做什么 |
|---|---|---|---|
| 1 | 「登录模块开发谁能做？」 | 识别任务实体 | R1 能力匹配（属性链） |
| 2 | 「新功能上线怎么安排？」 | 拆解任务链 | R3 依赖传递 + 逐环节匹配 |
| 3 | 「把合规报表开发分配给初级研发」 | 执行分配 | R4 合规冲突检测 |
| 4 | 「为什么选研发 Agent？」 | 追问上一步 | 返回推导链（事实→规则→结论） |
| 5 | 「检查一下有没有冲突」 | 触发检查 | 一致性检查 |
| 6 | 「介绍一下这个本体」 | 读取本体概览 | 结构导出 |
提示：现在看不懂没关系，先混个眼熟。后面的文章会把图谱上的每一个类、每一条连线、每一次推理都拆开讲清楚。
小结
- 大模型应用有三个痛点：结果不确定、不可解释、知识不沉淀。
- 本体用确定性、可解释、可复用三个特性补上短板；本系列倡导的是"智能体 + 本体"协作，而不是二选一。
- 你已经跑通了 Demo，看到了真实的本体图谱和 6 种推理问法——接下来从篇 1 开始，正式学习本体的基本概念。
常见问题
- Q：本体和数据库有什么区别？ A：数据库负责"存"和"查"；本体除了组织知识，还能用规则推理出没存过的结论（比如"研发 Agent 可执行登录开发"并不是手工存进去的）。具体差别在篇 4 讲透。
- Q：需要先学会 OWL 或 Protege 吗？ A：完全不需要。本系列从零开始，篇 1 只用"类、个体、属性"三个词就能讲清本体的骨架；Protege 只是篇 2 的一个可选工具。
获取项目：GitHub 一键直达
本系列全部 9 篇文章、项目源码与可运行示例：
- GitHub 仓库：https://github.com/jasony62/ontology-agent-demo（Star / Fork / Issue 都欢迎）
- 在线阅读：https://jasony62.github.io/ontology-agent-demo/（GitHub Pages 自动构建，含全部配图）
- 本地一键运行：
bash
git clone https://github.com/jasony62/ontology-agent-demo.git
cd ontology-agent-demo
docker compose up -d api
下一篇：篇 1《本体入门：类、个体、属性与关系》——用三个词读懂本体的骨架。