[控场AI]
· 4 分钟阅读· 2,302 字

Genie Ontology:用一半Token实现1.6倍准确率的企业数据智能体

Genie Ontology:用一半Token实现1.6倍准确率的企业数据智能体

Genie联合Turing推出企业数据智能体基准,借本体语义层实现1.6倍准确率、半量Token。

文章介绍了Genie团队与Turing合作开发的企业数据智能体基准,以及Genie Ontology在该基准上的表现:准确率提升至1.6倍,Token消耗不到对比方案的一半。文章指出企业数据分散、表结构复杂、语义隐晦,传统让大模型在海量原始上下文中自行摸索的做法既昂贵又不稳定。Genie Ontology的价值在于把实体关系与业务语义前置结构化,缩短推理路径、减少歧义,从而让准确率与成本两项指标同步改善。文章也提醒这两个数字来自特定测试条件,本体构建本身依赖领域知识投入,对数据治理基础薄弱的企业需纳入前期成本评估,并建议企业优先建设核心数据域的语义层,用准确率与Token效率双指标评估方案。

企业数据智能体正成为AI落地的重要方向,但如何在复杂的企业数据环境中保持高准确率、同时控制Token消耗,一直是行业难题。近期,Genie团队与Turing合作开发了一套全新的企业数据智能体基准,并基于Genie Ontology给出了令人关注的答案:准确率提升至1.6倍,Token消耗却不到原来的一半。

Genie with Genie Ontology 来源截图

企业数据智能体的核心矛盾:准确率与成本

企业数据场景与通用对话场景有本质区别。企业数据往往分散在多个系统、多种格式中,表结构复杂、字段命名不规范、业务逻辑隐晦,智能体需要理解这些“脏数据”背后的语义关系,才能给出准确回答。

传统做法是让大模型在大量原始数据上下文中“自行摸索”,这带来两个问题:一是Token消耗巨大,长上下文推理成本高昂;二是模型容易被无关信息干扰,准确率不稳定。Genie与Turing合作开发的基准正是为了量化这一矛盾——在真实企业数据任务上,同时衡量智能体的准确率和Token效率。

据原始素材,Genie with Genie Ontology在该基准上实现了1.6倍的准确率提升,而Token使用量不到对比方案的一半。这个组合意味着单位Token的有效信息产出大幅提高,对企业级部署的成本结构有直接影响。

Token消耗为何在企业场景中成为关键成本项

大模型的计费与上下文长度直接相关,输入侧的长上下文(表结构、样本行、历史对话)按token计价,输出侧同样如此。企业数据任务往往需要多轮工具调用与Schema探查,单次问答的上下文可达数万token;若日请求量以千计,成本会迅速放大。更关键的是“有效信息密度”:无关的字段样本和冗余表结构不仅花钱,还会稀释注意力、诱发幻觉。因此Token效率不只是省钱指标,也是准确率的间接保障。行业通常用“每正确回答的token成本”来衡量这类方案的性价比,这正是Genie与Turing基准同时测量两项指标的原因。

Genie Ontology做了什么不同的事

Ontology(本体)在数据管理领域并非新概念,它描述的是数据实体、属性及其关系的形式化模型。Genie Ontology的创新在于把这层语义结构直接引入智能体的推理过程,而不是让模型从零开始理解原始数据。

可以这样理解:面对一个包含数十张表的企业数据库,普通智能体需要读取大量表结构和样本数据来“猜测”字段含义;而有了Ontology支撑,智能体拿到的是已经梳理好的实体关系和业务语义,推理路径更短、更聚焦。这解释了为什么Token消耗能降到一半以下——模型不需要在冗余信息上浪费算力。

同时,结构化的本体信息减少了歧义空间,模型在关键判断上更少出错,准确率因此提升到1.6倍。这两个指标的改善来自同一个机制,而非各自独立的优化。

本体(Ontology)与知识图谱、数据库Schema的区别

本体常与知识图谱混用,但二者侧重不同:Schema只约束数据的存储结构(表、字段、类型),不表达业务语义;知识图谱侧重实例级事实(“A公司是B公司的客户”);本体则位于两者之间,形式化地定义领域内的概念类、属性、关系以及约束规则(如“订单必须关联唯一客户”),是可推理的语义层。在本体之上可以承载知识图谱实例,也可以映射到关系型数据库的Schema。Genie Ontology属于这一层的领域本体,它把分散在多系统中的表结构映射为统一的实体与关系模型,使智能体查询时只需面对一份语义契约,而不必逐表阅读DDL与样本数据。

基准测试的意义与边界

这次与Turing合作开发的基准,价值在于它针对的是企业数据智能体的真实任务,而非学术玩具数据集。企业数据 agent 的评估长期缺乏统一标准,各家方案难以横向比较,一个贴近生产环境的基准有助于行业建立共识。

需要客观看待的是,1.6倍准确率和半量Token这两个数字来自该基准的特定测试条件。企业数据环境千差万别,Ontology的构建本身也需要投入——实体和关系的梳理依赖领域知识,这部分成本并未体现在Token账面上。对于数据资产已经较为规范、或已有本体积累的企业,收益会更直接;而对于数据治理基础薄弱的企业,前期投入需要纳入评估。

企业数据智能体基准通常考察什么

贴近生产的基准一般包含三类任务:单表/多表聚合查询(考察Schema理解与Join推理)、模糊业务问题转SQL(考察语义消歧)、以及需要跨系统取数的复杂分析(考察工具编排)。评价维度除执行结果正确率外,还包括token消耗、调用轮数与延迟。构建难点在于企业数据不可公开,通常采用脱敏合成库或受控私有环境评测,这也意味着不同基准之间的分数不可直接横向比较。Turing在企业数据标注与评测基础设施上有积累,这也是其与Genie合作开发该基准的现实基础。

对企业的实践启示

这项工作的方向性意义大于单个数字。它提示企业:与其单纯追求更大的上下文窗口或更强的基座模型,不如先把数据的语义层建起来。Ontology本质上是一种“前置的智能”——把人类对业务的理解固化下来,让智能体少走弯路。

在落地路径上,企业可以考虑优先为高频查询的核心数据域构建本体,再逐步扩展;同时用Token效率和准确率双指标来评估智能体方案,避免只看准确率而忽略推理成本。Genie与Turing的这次合作,为这种评估方式提供了一个可参照的样本。

#Genie Ontology#企业数据智能体#数据智能体基准#Token效率#Ontology#Turing#AI智能体准确率
分享:

相关推荐