L1 · Industry Data Ontology
把数据治理到智能体能上生产的程度
很多智能体项目停在演示环境，卡住它们的不是模型，而是数据。 行业数据本体是 FMClaw™ 的第一层：连接器接入你已有的系统， 统一业务对象、指标口径、服务标准与数据权限—— 让智能体带着治理好的数据进入生产环境。
01
智能体项目，为什么停在演示环境?
和很多准备把智能体接入真实业务的团队聊完，我们听到的是同样三件事。
「同一个指标，两个报表两个数，AI 该信哪个?」
口径打架
能耗、收缴率、工单及时率……同一个指标在不同系统、不同项目里有不同的算法。演示时可以人工对齐，生产环境里没人替 AI 对。
「这份数据在哪个系统、归谁管、能不能给 AI 用?」
数据说不清
数据分散在数据中台、IoT 平台和一个个业务系统里，来源与责任不清。说不清来源的数据，AI 用了也没人敢信。
「智能体是不是什么数据都能看?」
权限没边界
演示环境可以不在乎越权，生产环境必须在乎。没有按项目、按角色的数据边界，智能体过不了安全与合规这一关。
卡住智能体的不是模型，是数据治理。
02
我们替你把数据治理这一层做完
DEFINITION
行业数据本体，是对物业与设施管理中业务对象与关系、指标口径、服务标准、规则与逻辑和数据权限的统一描述。 治理后的数据以数据集市的形式呈现——可查找、可订阅、可调用。
有了这层描述，「3 号楼 2 层的空调工单」不再只是一行记录，而是一台设备、一个空间、 一份服务标准和一个责任人之间的明确关系。AI 据此判断，而不是猜测。
从散落的数据，到能上生产的业务事实
散落在各个系统里的数据，经过本体这一层被统一定义、统一口径、统一权限， 变成 AI 可以直接使用、人可以直接复核的业务事实——然后才谈得上生产环境。
存量系统，原样接入
不替换数据中台，不重建 IoT 中台。已有系统经连接器接入，治理在其之上完成， 治理后的数据以数据集市交付——人和智能体用的是同一份口径。
03
通用平台解决「搭得快」，这一层解决「上得了生产」
通用智能体平台擅长快速搭建智能体和知识问答，这没有问题。 行业客户真正卡住的环节在数据治理层——这正是通用平台通常不承诺的部分。
两者不冲突：通用平台让你搭得快，这一层让你上得了生产。
04
从连接到集市，数据只走四步
数据从企业现有系统出发，经过四步，变成人和 AI 都能直接使用的业务资产。
AI 读到的不再是字段，而是业务事实。
接入哪些系统、如何完成映射，属于实施交付内容，按项目提供。
连接与映射
接入通过连接器接入企业已有的数据中台、IoT 中台、业务系统和现场数据，完成到行业对象的映射。
业务对象与关系
本体项目、空间、设备、人员、工单、合同等对象及其关系，获得跨系统的统一定义。
口径、标准、规则与权限
治理指标口径、服务标准、规则与逻辑、数据权限，在这一层统一生效。
数据集市
交付治理后的数据以集市形式交付：可查找、可订阅、可调用，人和智能体用的是同一份口径。
05
这一层做的，是三件事
八项平台能力，服务于三个治理目标——每一项都对应智能体上生产前必须回答的问题。
统一语义
让 AI 读懂业务，而不是猜字段。
- 数据连接与映射
接入企业已有系统与现场数据，映射为统一的行业对象。
- 业务对象与关系
项目、空间、设备、人员、工单、合同等对象及其关系的统一定义。
- 服务标准
把服务要求沉淀为结构化标准，供工作流与智能体引用。
统一口径
让每一个数字可比、可复核。
- 指标中心
统一指标定义、统计范围与项目口径，结果跨项目可比、可复核。
- 规则与逻辑
业务规则与计算逻辑统一管理，一处修改，处处生效。
- 数据治理
数据质量与一致性随业务持续维护，而不是一次性项目。
守住边界
让智能体过得了安全与合规这一关。
- 数据权限
按组织、角色和项目控制可见范围，访问有记录。
- 数据集市
治理后数据唯一的使用入口：目录、检索、订阅与调用。
同一个指标，在 500 个项目里只有一种算法。
06
生产环境的底线：AI 不能什么都看
数据可见范围按组织、角色和项目控制。项目经理看到自己的项目，区域负责人看到自己的区域; 不同智能体也一样——只能读取完成工作所需的数据。
- 按项目隔离每个项目的数据独立可控，跨项目访问需要明确授权。
- 按角色可见人和智能体按组织角色获得可见范围，岗位变了，范围随之变。
- 访问有记录每一次数据读取都有记录，可追溯、可复核。
07
一个真实的使用场景
管理层在群里问「华南区上月哪个项目能耗异常」。智能体从数据本体定位区域内的项目对象， 用指标中心统一的能耗口径逐一比对，给出异常项目、偏差幅度和数据来源。 答案可以复核，因为口径只有一个。
常见问题
上智能体之前，数据要治理到什么程度?
至少做到三件事：关键业务对象与关系有统一定义，AI 读到的是业务事实而不是字段；核心指标口径统一，同一个指标在所有项目里只有一种算法；数据权限有边界，人和智能体都只能读取完成工作所需的数据。FMClaw 把这三件事做成平台能力，而不是一次性的治理项目。
为什么智能体在演示环境表现很好，一到生产就不行?
演示环境的数据经过人工挑选和整理；生产环境的数据分散在多个系统里，口径不一致、质量参差、权限复杂。没有统一的数据治理层，智能体给出的结果无法复核，也就无法承担真实业务。这是智能体项目从演示走向生产最常见的障碍。
什么是行业数据本体?
行业数据本体，是对物业与设施管理中业务对象与关系、指标口径、服务标准、规则与逻辑和数据权限的统一描述。它让 AI 不只是读取数据，还能理解数据在业务中代表什么。
行业数据本体与数据中台是什么关系?
不替换，也不重建。企业已有的数据中台、IoT 中台和业务系统通过连接器接入，行业数据本体在其之上统一描述业务对象、关系、指标口径和权限，让 AI 能读懂这些系统里的数据。
与通用智能体平台的知识库有什么不同?
知识库解决的是让 AI 读到资料；数据治理解决的是让 AI 读到的每一个数字都有统一口径、明确来源和权限边界。前者适合问答，后者是智能体进入生产环境、承担真实业务的前提。
为什么 AI 需要统一指标口径?
同一个指标在不同项目、不同报表里常常有不同的统计范围和计算方式。指标中心统一定义、统计范围和项目口径，让 AI 产出的关键指标在 500 个项目之间可比、可复核。
数据权限如何控制?
按组织、角色和项目控制数据可见范围。不同智能体只能读取完成工作所需的数据，访问行为有记录、可追溯。
KEEP EXPLORING
数据之上，是工作
本体让 AI 读懂业务，工作流引擎让 AI 接手业务。
最后更新：2026-07-21