背了 3000 条 FAQ 准确率 95%,换个问法跌到 40%。问题不在模型,在知识表示方式。

🦩 第 28 篇 · 2026 年 1 月 24 日
我见过一个客服 AI,背了 3000 条 FAQ,准确率 95%。但客户换一种问法,准确率跌到 40%。这不是 AI 不够聪明,这是知识表示方法有问题——它在背答案,不是在理解业务。本体论是把业务知识结构化的方法,让 AI 真正理解"水站"和"客户"是什么关系,“订单"和"配送"是什么关系。
一句话
AI 知识表示有三种层次:关键词匹配(背答案)、向量检索(找相似)、本体论(理解语义)。关键词匹配最差,向量检索是主流,本体论才是未来。你的 AI 停留在哪一层,决定了它能不能应对真实业务中的语言多样性。
三种知识表示层次
第一层:关键词匹配——最原始
规则:
- 用户问 → 匹配关键词 → 返回固定答案
- “如何退票” → 触发"退票政策"答案
致命缺陷:
- 换一种说法就失效:“退票流程是什么"“我已经买错了能退款吗"“票可以取消吗”
- 无法处理上下文:“上次那个订单退了吗”——没有记忆,无法追踪
- 无法推理:“北京的水站周几休息”——需要先知道"北京"是"城市”,“城市"有"营业日"属性
第二层:向量检索——当前主流
原理:把问答对、文档embedding成向量,检索时找最相似的向量。
改进:
- 能处理同义词:“退款"和"退钱"语义相近,能匹配
- 能处理模糊问法:相似问法能找到相似答案
依然的问题:
- 不知道"水站"是什么,不知道"订单"的状态机
- 无法做跨实体推理:“帮我看看张先生的订单"需要知道谁是张先生、他的订单状态
- 歧义无法消解:“退款"在电商语境和金融语境完全不一样,向量不知道
第三层:本体论——结构化语义理解
原理:用形式化语言描述业务领域的概念、属性、关系。
以本地生活服务为例:
实体类型:
- 水站(WaterStation):名称、地址、营业时间、覆盖区域、等级
- 客户(Customer):姓名、电话、历史订单、偏好
- 订单(Order):订单号、客户、水站、商品、状态、下单时间
- 商品(Product):名称、规格、价格、库存
关系:
- 水站 服务 客户(多对多)
- 客户 下单 订单(一对多)
- 订单 包含 商品(多对多)
- 客户 持有 水票(Coupon)(一对多,水票有有效期)
规则:
- 订单状态:待确认 → 配送中 → 已完成
- 取消订单只能在"待确认"状态下操作
- 水票过期后自动失效
- 客户等级:月订单≥10单 → VIP
本体论的价值:AI 不再只是匹配文字,而是理解"水站"“客户"“订单"这些概念在业务里的本质含义。
本体论怎么建
步骤一:领域分析,梳理核心概念
和业务专家一起讨论,梳理:
- 这个业务领域有哪些核心实体?
- 实体有哪些关键属性?
- 实体之间的关系是什么?
- 业务规则有哪些?
工具:白板、思维导图、UML 类图
步骤二:选择本体论语言
- 轻量级:JSON Schema、JSON-LD(够用、简单)
- 中量级:RDF/RDFS(RDF三元组,语义明确)
- 重量级:OWL(支持复杂推理,但学习成本高)
本地生活行业推荐:从 JSON-LD 起步,积累多了再迁移到 RDF。
步骤三:实现和接入
- 本体库存入图数据库(Neo4j)或向量数据库
- AI 推理时查询本体库,理解语义
- 应用层根据推理结果执行操作
Hermes 支持原生本体论:内置知识图谱引擎,支持 RDF/OWL,可直接接入业务数据库。
实战:客服 AI 的本体论改造
改造前(向量检索)
用户问:“我的桶装水今天能到吗?” → 向量检索找到相似问法:“配送时间” → 返回:“我们承诺 24 小时内送达”
问题:不知道用户是谁、哪个订单、在哪个水站
改造后(本体论)
用户问:“我的桶装水今天能到吗?” → 本体论理解:
- “我”= 当前客户,ID=12345
- “桶装水”= 商品类型
- 查客户 12345 的订单 → 状态=配送中,预计到达时间=今天 18:00 → 返回:“张先生,您的订单 #20240101 正在配送中,预计今天 18:00 前送达。配送员是李师傅,电话 138xxxx。”
关键差异:本体论让 AI 理解了这个问句里的身份、实体、关系,而不是简单匹配文字。
本体论的维护成本
本体论最大的挑战是维护:
- 业务在变,本体论需要同步更新
- 需要业务专家参与,保证本体论的准确性
- 推理引擎的复杂度比向量检索高
建议:
- 优先对高频、高价值的实体建本体论
- 不要试图一步到位建完整本体论,从核心实体开始
- 建立本体论的版本管理,业务变更时同步更新
什么时候该上本体论
| 信号 说明 | FAQ 超过 200 条 关键词/向量已无法保证覆盖率 | 歧义问题频繁 同一词在不同场景意思不同 | 需要跨实体推理 “帮我看看张先生的订单"类问法 | 业务规则复杂 有状态机、有条件判断 | 需要和其他系统打通 本体论是跨系统语义对齐的基础
一个检查:问你的 AI “为什么退不了票”,如果它答不上来或答错,就该考虑上本体论了。
延伸阅读
- 从本体论到知识图谱,三层架构怎么搭
- 本体论加工作流,让 Agent 真懂业务
- 办公 Agent 想落地,先啃会议和流程两座山
- 本地生活门店的 Agent 团队,一次真实复盘
- 别急着做 AI 早报,先核对落地三环
- 别再堆 MCP 和 Skills,工具越多越乱
- 不是急着做AI和人的分工不是谁,是先核对AI落地
- 不是一岗配一 AI,我收敛成几个 Agent
- 餐饮后厨前厅供应链,AI 让每环少操心
- 餐饮老板要的 AI,是少请几个帮工
相关阅读
标签
双号关注
扫码关注「广说新零售」公众号 + 视频号
本地生活 AI 落地、Agent 实操、真实门店怎么跑起来。扫码关注公众号与视频号「广说新零售」,持续看可收藏的做法;有场景也可私信聊合作。

公众号

视频号
继续读
同栏目相关文章,方便对照着看。
AI 上线头一周,先盯紧这四件要事别放
AI 落地项目上线第一周别只看 demo。盯四件事:在不在跑、对不对、人的反应、出错怎么兜。
客户说 AI 不懂我,八成是这三种原因
AI 客服不懂客户,多半不是模型问题:不知道你是谁、没接准意图、不记得你们发生过什么。
AI 项目为什么大多死在第二个月就停
AI 落地项目第一个月有掌声,第二个月只剩没人愿意干的脏活:维护、接真业务、说服使用的人。
A2A 不只是连 Agent,门店之间也要协同
A2A 的价值不止让 AI 互相说话。A 店缺货、B 店有货,门店之间能对上话才是关键。先在一家店验证。
AI 当员工还是当工具,结果完全不同
AI 落地半年后差距很明显:有人越用越省事像多带个员工,有人越用越累只把它当工具。
