AgentOnto：用本体引导 LLM 智能体做企业数据分析
论文AI 评分 66/100arXiv cs.AI待复核
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
一篇投稿 arXiv 的论文提出 AgentOnto，把数据库、业务文档与既有示例任务中的企业知识组织成显式本体，用来直接引导分析过程，并吸收已确认的反馈。方法还包含迭代式本体准备，通过自生成的分析任务改进本体。作者在两个公开数据源上评测，称其明显优于代表性方法，模块级实验分别验证了本体构建、分析与更新的作用，并给出一次真实部署以说明实用价值。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载要解决的问题
企业数据分析场景中，分析请求需要与分散在数据库、业务文档以及已有示例任务里的知识对应起来。论文指出，如果这些知识没有显式表示，智能体可能给出错误的分析结果，也难以稳定地把反馈纳入后续处理。AgentOnto 的出发点是把这类异构企业知识整理成一个本体，让本体在分析过程中直接起作用，而不是让模型仅凭上下文临时拼接信息。
方法与迭代机制
AgentOnto 由本体引导分析流程，并把已经确认的反馈写回知识表示。除了一次性构建本体，论文还提出迭代式本体准备：系统自行生成分析任务，再用这些任务检验并改进本体，使知识结构随使用过程逐步完善。这一设计把本体的构建、使用与更新串成闭环，对应论文强调的显式构建、使用和更新企业知识三条路径。
评测与部署
实验在两个公开数据源上展开，AgentOnto 的表现被描述为明显超过代表性方法。论文还做了模块级评估，分别考察本体构建、分析与更新三个环节各自的作用，而不只报告端到端结果。此外，作者报告了一次真实场景部署，用以说明方法在企业分析中的实际价值。论文目前处于审稿状态，未给出具体性能数值与部署细节。
为什么值得看
企业数据分析智能体如何可靠利用分散知识并吸收反馈，是落地中的关键问题，本文给出本体驱动的具体做法与部署验证。
智能体论文
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。