上一篇说明了企业本体怎样让 Data Agent 按企业定义理解业务。接下来需要先分清:本体、知识图谱和数据模型各自负责什么,哪些能力可以组合,哪些概念不能混用。本体、知识图谱和数据模型经常描述同一批客户、订单和商品,但它们承担的任务不同:数据模型规定数据怎样组织、存储和计算;知识图谱连接具体对象与事实;本体定义这些对象、关系和规则在业务上代表什么。三者不是互相替代的技术路线,而是分别解决执行、事实连接和共享语义问题。
核心结论
- 数据模型管结构与执行:数据放在哪里、用什么键关联、怎样查询和计算。
- 知识图谱管事实连接:哪些具体客户、订单和商品彼此有关,关系能否被查询和遍历。
- 本体管业务含义:什么是客户、什么叫购买、哪些关系允许成立,以及规则适用于什么范围。
一张表看懂三者分工
| 比较维度 | 数据模型 | 知识图谱 | 本体 |
|---|
| 主要回答 | 数据怎样组织、关联和落库? | 哪些具体对象和事实彼此相连? | 业务概念、关系和规则怎样解释? |
| 主要内容 | 实体、属性、键、表、列、数据类型 | 实体实例、节点、边、属性或三元组 | 类、属性、关系、术语、规则和约束 |
| 典型产物 | 概念模型、逻辑模型、物理模型、Schema、DDL | 实例图、RDF 数据、属性图、关系查询接口 | 本体词汇、关系定义、业务规则与数据映射 |
| 运行时作用 | 存储、计算、事务和查询的基础 | 实体关联、多跳查询和跨源上下文 | 术语消歧、业务解释和语义边界 |
| 更适合解决 | 系统和数仓怎样可靠运行 | 事实怎样跨系统连接 | AI 怎样按企业口径理解业务 |
实际系统中会出现交叉。概念数据模型也会表达部分业务规则,成熟知识图谱通常包含模式层或本体层,本体也需要数据映射才能运行。判断一项能力属于哪一类,关键不是看它是否画了节点和连线,而是看它主要解决什么问题。
从一个业务问题看三者为什么都需要
业务人员问:
上个月高价值客户买了哪些商品?
这个问题看似简单,实际包含三类不同任务。
首先,系统要知道“高价值客户”“买了”和“上个月”分别是什么意思。“高价值”按收入还是利润判断?“买了”指下单、支付还是签收?这属于本体和业务规则要回答的问题。
其次,系统要找到具体的客户、订单、支付事件和商品,并沿着正确关系把事实连接起来。这是知识图谱或其他关系组织能力可以承担的任务。
最后,系统还要把这些对象和关系落到客户表、订单表、支付表和商品表中,执行筛选、连接和汇总。这依赖数据模型和查询系统。
如果只有数据模型,系统知道表怎样连接,却不一定知道“购买”应使用哪个业务事件。如果只有本体,系统拥有清楚定义,却可能还没有真实数据和执行路径。如果只有知识图谱,系统能够沿关系找到事实,也仍然需要明确关系代表什么、数据怎样更新和计算。
数据模型:让数据可以被可靠存取和计算
数据模型覆盖从业务概念到数据库实现的多个层次。逻辑模型描述实体、属性、键和关系;物理模型进一步落实为表、列、索引和存储结构。
在客户与订单场景中,一个关系型数据模型可能包含:
customer(customer_id, customer_level, ...)
orders(order_id, customer_id, status, created_at, paid_at, ...)
order_item(order_id, sku_id, quantity, ...)
product(sku_id, product_name, category_id, ...)
这套结构可以明确订单如何关联客户、订单明细如何关联商品,也可以用主键、外键、唯一性和数据类型保证基础完整性。
但当业务人员说“上个月这个客户买了什么”,数据模型通常不会自动说明“买了”应该绑定创建时间、付款时间还是签收时间。它提供的是可执行结构,具体业务含义还要由术语、规则或本体补充。
知识图谱:把具体对象和事实连成网络
知识图谱主要组织具体实体和事实关系。放到同一个订单场景中,可以表达为:
客户 C001 ─提交→ 订单 O1001
订单 O1001 ─包含→ 商品 SKU-88
订单 O1001 ─发生于→ 门店 S12
订单 O1001 ─支付于→ 2026-08-01 10:32
这里出现的是具体客户、具体订单和具体商品。系统可以沿关系回答“C001 买过哪些商品”“这些订单发生在哪些门店”“哪些客户购买了同一商品”等问题。
知识图谱可以物化在 RDF 三元组库或属性图数据库中,也可以通过映射动态访问关系数据库。图数据库是一种适合节点和关系查询的存储技术,知识图谱是一种组织和使用知识的方式,二者不能直接画等号。
关系连起来之后,系统仍需知道“提交”“支付”“购买”分别代表什么,允许连接哪些对象,时间和状态怎样解释。这部分依赖图谱采用的模式、本体和校验规则。
本体:定义对象、关系和规则的业务含义
本体关注共享语义。它不只列出“客户、订单、商品”这些名词,还要说明:
- 客户、订单、商品和支付事件分别属于什么业务概念;
- “客户提交订单”这条关系连接哪两类对象;
- “客户购买商品”应由下单、支付还是签收事件推导;
- “有效订单”怎样处理取消、关闭和退款;
- “上个月购买”采用哪个时间属性和企业日历;
- 同一客户在 CRM、ERP 和客服系统中的不同身份怎样关联。
有了这些定义,系统才能判断两个同名字段是否代表同一类对象,也能识别“已经下单”和“已经购买”在当前企业口径下是否成立。
本体可以用 OWL 等标准化语言表达,也可以使用轻量元数据模型、领域 DSL 或配置规则。是否采用图数据库,应由多跳关系、图算法、跨源实体关联、性能和维护成本决定,而不是由“建设本体”这个名称决定。
三者怎样组合
围绕“上个月高价值客户买了哪些商品”,三者可以这样协作:
- 本体解释问题:确认高价值客户规则、购买事件、时间口径和有效关系。
- 知识图谱组织事实:连接具体客户、订单、支付、商品和门店,提供跨系统上下文。
- 数据模型承接执行:把语义映射到表、字段和接口,在权限范围内生成并执行查询。
这不是固定的三段式产品架构。企业可以不物化知识图谱,直接将本体定义映射到现有关系数据库;也可以在已有知识图谱中增加更严格的本体和数据校验。组合方式取决于问题复杂度和现有资产。
企业应该先建哪一个
可以从当前最需要解决的问题判断:
- 如果正在设计业务系统、数据库、数仓或接口,先把数据模型做好。
- 如果需要跨系统识别同一对象、查询多跳关系或分析关系网络,可以增加知识图谱能力。
- 如果同名概念经常产生不同解释,时间、状态和口径会改变结果,或者需要让 Data Agent 稳定理解业务,应先建立最小范围的本体定义,再映射到现有数据。
更稳妥的方式,是从一个高价值问题倒推需要的语义和数据,而不是先建设一套覆盖全公司的概念体系。现有数据模型和指标资产应尽量复用,只有确实需要的关系才进入知识图谱。
适用边界
- 本文按三者最主要的职责进行区分,不否认概念数据模型、知识图谱模式层和本体之间存在交叉。
- “知识图谱连事实”不表示所有知识图谱都没有本体;成熟图谱往往同时具有模式、规则和实例数据。
- “本体定语义”不表示本体可以脱离数据运行。企业项目仍需要源映射、数据质量、权限和版本治理。
- 具体技术选型应考虑数据规模、查询方式、推理需求、团队能力和维护成本,不能只依据概念名称。
常见问题
本体是不是知识图谱的 Schema?
可以把本体看作知识图谱模式和语义规则的重要来源,但二者并不完全等同。本体关注可共享的概念、关系和约束;知识图谱还包含具体实体、事实、来源、更新和查询机制。
本体和概念数据模型为什么看起来很像?
两者都会出现客户、订单、商品等业务概念。概念数据模型通常继续走向可实施的逻辑与物理结构;本体更强调概念在不同系统中的一致含义、语义复用和推理边界。实际项目可以复用同一批建模成果。
已有数仓,还需要知识图谱或本体吗?
不一定。如果现有模型已经能稳定回答核心问题,没有跨系统身份、复杂关系和口径歧义,就不必为了技术名词增加新层。只有当现有结构无法表达或治理关键业务含义时,再补相应能力。
结论
数据模型、知识图谱和本体处理的是同一业务世界的不同层面。数据模型让数据可以存储和计算,知识图谱让具体事实可以连接和遍历,本体让这些数据和关系具有一致的业务含义。企业真正需要的不是在三者之间选一个“更先进”的名称,而是判断当前问题缺的是结构、事实连接,还是共享语义。