企业的智能体操作系统：AIP 负责人 Jack Dobson 在 AIPCon 6 的演讲

摘要

在 AIPCon 6 上，Palantir AIP 负责人 Jack Dobson 发布了下一代 AIP，主题是"企业的智能体操作系统"。他指出，市场充斥着轻量、无主见的工具——既有流程的薄包装、只给洞察不给行动的聊天机器人、以及争夺架构图位置的 LLM 基础设施方案，却没有一个真正闭环到影响业务的决策。Palantir 客户处于最前沿、最关键、最敏感的竞争环境中，他们需要的不是点状方案或用例集合，而是一个连接的企业操作系统。

Dobson 用虚构企业 Onyx Incorporated 演示了这个操作系统：它以本体论（Ontology）为连接组织，覆盖从订单履行、库存分配到制造维护的完整价值链。核心原则是"本体论的每个原语同时供人类操作员与 AI 智能体使用"——人机协同（human-AI teaming）取代纯自动化：智能体并行处理每天成千上万笔订单，遇到需要判断的场景则交给人类；人类的每次批注与决策都写回本体论，形成治理化的反馈回路。

演讲展示了 AIP Logic 如何用查询工具、动作工具与函数工具武装智能体，以及自动化如何成为可以上调下调的"旋钮"；AIP Evals 用测试用例与"LLM 作裁判"评估智能体；在制造侧，机器学习（ML）故障风险模型消费实时遥测、链接下游模型计算维护成本与停机损失，自动派单给最优技师。结论是：本体论是人类与 AI 的共同接口，让企业稳步扩大自动化，消除战略转向与运营行动之间的延迟。

正文

一、传统软件剧本的失效

Dobson 开场表明立场：每次 Palantir 部署都以驱动客户核心使命的运营结果为目标——从工厂车间到医院病房，从战场到董事会。这要求坚定不移地赋能一线操作者：超越分析与洞察，直接拥有每个决策的结果。对这种野心的持续追求，不断暴露传统软件剧本的短板：市场被轻量、无主见的工具淹没——既有流程的薄包装、只提供洞察不提供行动的方案，全都迫使买家把自己的业务扭曲进软件的约束里。AI 方案进一步堵塞了景观：从表面聊天机器人到 LLM 基础设施方案，都在争夺架构图上的位置，却没有一个真正闭环到影响业务的决策。

二、本体论：企业的连接组织

Dobson 引入虚构企业 Onyx Incorporated——它代表全球数百个生产级 AIP 部署的集大成者，是一家全球医疗制造商与分销商。Onyx 的运营完全跑在 Palantir 上，本体论（Ontology）是所有企业上下文、运营逻辑与决策制定的连接组织。这支撑了极其丰富细致的工作流：深入到每台机器的传感器级、每件产品背后的原材料级。这一基础天然跨域——业务的每个职能共享同一地面真相，实现前所未有的链式优化。最关键的是，这个丰富连接的本体论成为全新决策方法的基础：业务核心职能由智能体驱动，人类操作员只聚焦于最需要他们介入的关键、复杂与有价值的动作。

三、订单履行：人机协同的自动化

Dobson 以订单履行为例深入一个工作流。库存经理界面监控每张客户订单在自动化流程中的移动：从审查进单（含附件、评论与客户沟通）、把库存分配到每张订单、再到把订单分配给出货，优化准时交付并最小化运输成本。自动化被设置为每张新订单并行处理——每分钟可以处理成百上千张订单。这种"人类-AI 协同"（human-AI teaming）之所以可能，源于 AIP 的核心原则：本体论的每个原语都同时可被人类操作员与 AI 智能体调用。

深入工作流内部，可见连接"企业上下文、业务流程逻辑、执行决策的动作"的本体论回路——这些是构成企业操作系统的积木，每一块都是人类用户与 AI 智能体之间的公共接口。更底层，这个运营层是现有组件与系统的集大成者：无论数据与逻辑在何处、以何种形式、何种存储或计算存在，AIP 的多模态数据平面都能把它摄取或虚拟化进本体论，并回写到需要编排的执行系统。这就是 Palantir 平台的核心——构建本体论以驱动一线决策，对底层架构保持无关，同时维持权限、数据健康与变更管理的细粒度控制。

AIP Logic 是构建、评估与部署智能体的应用，用同样的积木构建：把本体论原语作为工具提供给所选 LLM，自动化那些消耗操作员时间的重复性人工工作流。查询工具让智能体检索与其输入和任务相关的本体论上下文；动作工具就是人类操作员执行决策时使用的同一批动作，无需额外配置即可交给 LLM。以库存分配智能体为例：它能查询实时库存水平甚至非结构化文档以识别相关程序与标准作业流程（SOP）；面对库存短缺时，可以调用函数工具运行库存再分配模型，模拟从某配送中心向另一配送中心移动库存，检查对订单积压与销售预测的下游影响；还能查阅产品文档判断是否可以做 SKU 替换。什么能自动化、什么不能，都在 Logic 层细粒度控制；自动化还定义了智能体的触发条件、本体论编辑权限、动态重试与安全网——AI 自动化因此变成"可以上下调动的旋钮"。

四、从预测性维护到链式智能体劳动力

随着自动化广度与深度增加，可见性至关重要——这就是 AIP Evals：设置任意数量的测试用例与评估器（从检查特定输出到用另一个 LLM 作裁判的评分卡），切换 LLM 只需下拉菜单，可以快速测试哪种模型组合对每个智能体最优。回到库存经理工作流：大部分订单由智能体网络自主完成，子集被标记为需要人工；操作员看到完整的动作日志——访问了哪些数据、用了哪些工具、如何促成最终决策——并在智能体停下的地方接手。操作员可以审查、编辑、反馈智能体的提案，批准后动作回写到 MRP、生产计划等源系统；每次对提案的响应都被捕获进本体论，形成反馈回路——以前只存在于操作员脑中的"部落知识"现在作为治理化的工作流被管理、部署回业务流程。

把智能体链起来，就建立了"无限可扩展的 AI 劳动力"，它不仅能被动响应触发，还能主动监控资产、抢在潜在风险之前行动。制造侧的维护工作流展示了这一点：一个 ML 模型对生产机器的实时遥测运行故障风险检测；智能体链接多个下游模型，计算维修成本与产线停机的收入损失——这些强大的模型由本体论带到业务面前，向人类操作员与 AI 智能体民主化。识别出的风险触发专用智能体链：基于文档、历史维护记录与反馈回路推荐解决方案；再根据技能集与可用性动态调度最合适的技师，并按计算出的停机美元风险动态排优先级。结果：技师获得专属工作队列，每个警报都关联到需要维修或更换的具体部件。Dobson 总结：本体论提供这些前沿机构所需的连接操作系统，作为人类与 AI 智能体在所有应用类型上的共同接口，让企业平稳地扩大 AI 驱动自动化、重新定义运营——消除战略转变与运营行动之间的延迟，最终以最优方式达成组织使命。