返回文献库
The Semantic Training Gap: Ontology-Grounded Tool Architectures for Industrial AI Agent Systems · Introduction

前言、摘要与目录

Introduction

Grama Chethana*

* 西门子数字工业软件（Siemens Digital Industries Software），美国得克萨斯州普莱诺

通讯作者：grama.chethan@siemens.com

关键词： 语义训练鸿沟；制造本体；AI 智能体系统；数字孪生；工具参数语义锚定；AIOps

术语说明： grounded 理解（grounded understanding）指与制造操作语义相衔接的理解，区别于仅具统计流畅性的术语使用；本体 grounding（ontology grounding）指以制造本体在运行时约束并锚定 AI 工具调用参数。后文首次出现英文术语时附中文释义，此后以中文表述为主。

要点

摘要

基于大语言模型（LLM）的 AI 智能体越来越多地部署于制造环境，用于分析、质量管理和决策支持。这些智能体在领域术语上表现出统计层面的流畅性，却缺乏 grounded 理解（grounded understanding，与操作语义相衔接的理解），即在特定生产语境下，将设备标识符、工艺参数、故障代码与监管约束关联起来的关系结构。本文识别并形式化了语义训练鸿沟：AI 系统通过训练获取领域词汇的方式，与制造运营通过本体关系定义含义的方式之间存在结构性断裂。本文证明，这一鸿沟即使在模型回答语言精确时也会导致操作层面的错误输出；在多智能体配置中，还会产生本文称为语义漂移的复合失效模式。为弥合这一鸿沟，本文提出一种架构：将制造本体直接嵌入 AI 工具层，作为类型化关系配置，在运行时强制语义约束，而非依赖模型训练。该架构形式化为三操作接口契约（resolve（解析）、contextualize（上下文化）、annotate（标注）），并由 AIOps 编排层强制执行不变量。在六种行业配置的对照实验（使用 Qwen3-32B 共 72 次工具调用）中，无约束工具参数对领域标识符产生 43% 的幻觉率；本体约束的工具参数将其降至 0%。本文通过数字孪生分析平台验证该方案：单一代码库配合领域特定本体配置，可消除工具调用幻觉，并在无需修改应用代码的情况下实现跨领域可配置性。

语义训练鸿沟：面向工业 AI 智能体系统的本体论工具架构

前言、摘要与目录

第一部分 理论基础与失效模式

  1. 引言

  2. 相关工作

  3. 理论基础：标签、分类法与本体

  4. 观察到的失效模式

第二部分 接口契约与 AIOps 架构

  1. 本体约束的工具执行接口契约

  2. AIOps 强制架构

第三部分 实验评估与讨论

  1. 实验评估

  2. 讨论

  3. 结论