在最近的 AI 工程師世界博覽會（AI Engineer World’s Fair）上，加州大學柏克萊分校教授 Frank Coyle 的一場 20 分鐘演講成為最受關注的影片之一。Coyle 教授目前教授生成式 AI 和大型語言模型（LLM），他憑藉數十年經驗，向現今的 AI 工程師重新介紹了本體論的概念與實踐。

Coyle 認為，雖然 LLM 在提供機率性推理方面非常有效，但對於代理系統而言，若要真正發揮作用，它們需要「邏輯護欄」——而 Coyle 所指的正是本體論。他在 2026 年的 AIEWF 會議上發表了這項觀點。

在電腦科學中，本體論被定義為「知識領域中類別、屬性與關係的資料結構描述」（牛津語義技術公司 Oxford Semantic Technologies 的精確定義）。Coyle 本人則將本體論簡潔地定義為「圖形化資料」。他補充說，本體論的概念可以追溯到亞里斯多德，並在人工智慧的歷史中一直被使用。

以其圖形資料庫系統聞名的 Neo4j 公司，也在其代理產品中運用本體論。在 AIEWF 的主題演講中，Neo4j 的執行長 Emil Eifrem 談到了三種不同類型的本體論，以實現「更智慧的共享基底」來大規模運行代理。

第一種是面向業務的本體論，描述組織中的關鍵概念；其次是技術本體論，Eifrem 將其描述為「企業生態系統中所有資料來源和資料資產的後設資料」；最後是執行軌跡，即「代理的執行時期訊號」。

Frank Coyle 認為網路本體論在建構代理系統方面特別有用。他提到了 Schema.org、FOAF、Dublin Core 以及其他網路開發者——至少是那些有一定資歷的開發者——所熟悉的本體論。他也提到了 RDFS（資源描述框架綱要）和 OWL（網路本體語言）等「增強技術」。

使用這些既有本體論的一個好處是，它們已經存在於 LLM 的訓練資料中，因此開發者可以直接透過提示詞呼叫它們。這比從頭發明本體論要好得多。Coyle 說：「這些東西一直存在，支撐著我們許多現有的工作，所以請善加利用這些已存在的資源。」

他舉例展示了一個 Claude 代理迴圈，該迴圈在工具運行後，使用本體論來幫助驗證 LLM 的推理。Coyle 將機率性代理與本體論的融合稱為「神經符號 AI」。

他說：「這聽起來很花俏，但它實際上是類神經網路與符號 AI 的結合——基於規則的系統和我們正在建構的知識圖譜都屬於這一類別。」他重申，神經符號 AI 代表著「一種讓 LLM 保持在護欄內的方法」。

Kingsley Idehen 是一位多年來深耕本體論，現在將其與 AI 工程結合的人，他經營著一家名為 OpenLink Software 的公司。他一直在建構一個使用語義網技術的「代理工程堆疊」，其中包括一個「帶有 RDF 記憶體的代理」。

我請 Idehen 解釋本體論的好處。他回答說：「LLM 的美妙之處在於它們是強大的語言處理器。本體論的美妙之處在於它定義了實體和關係的類型，透過這些類型，語言獲得了可計算的語境。它們共同將語言的表達能力帶入了運算的 UI/UX 堆疊。」

這很有道理，但如果你是個資深的網路開發者，你會知道本體論的挑戰：維護和保持更新。這也是為什麼 1990 年代和 2000 年代基於本體論的「語義網」願景從未真正實現的原因。一位 AI 開發者 Prasenjit Sarkar 在 X 上提出了一個潛在的維護問題解決方案，他認為「當代理將本體論作為其自身操作的一部分進行維護，並在遇到邊緣案例時更新定義，維護問題的性質就會改變」。不過他補充說，這仍然是一個難題。

儘管存在這些問題，本體論的結構化特性似乎與機率性 LLM 偶爾偏離的傾向非常契合。你可以獲得 LLM 的強大能力，但本體論會對其進行約束。此外，正如 Neo4j 的 Eifrem 所解釋的，本體論使我們能夠從「一個充滿手動連接資料來源的厚代理世界」轉向一個「基於本體論的更智慧共享語義層上的薄代理」新世界。

回到 Coyle 的演講。他還對迴圈工程提出了很棒的觀點，他指出這在電腦科學中「一直都存在」。當然，問題在於迴圈可能會中斷或「脫軌」。

同樣，這就是本體論系統可以作為機率性 LLM 護欄的地方。Coyle 的一張投影片將其稱為「無限迴圈周圍的有限規則集」。

在演講接近尾聲時，Coyle 展示了如何使用 OWL 作為代理的檢查機制。一張投影片顯示，雖然語言可能含糊不清，「但 OWL 公理是機器強制執行的規則」。

他也展示了「你可以建構一個基於本體論的推理器，來檢查並讓 LLM 保持在軌道上——設置護欄以確保其可靠性」。

或許本體論開始引起 AI 工程師的共鳴，因為目前一個核心問題是迴圈工程的品質控制。我們在 AIEWF 上看到了這場辯論，許多會議講者尚未準備好完全投入全自動的「軟體工廠」。這次活動的一個關鍵學習是，需要有護欄和人類參與迴圈。

此外，看到傳統網路技術在 AI 工程領域復甦也令人著迷，尤其是在 2025 年「憑感覺寫程式」（vibe coding）的趨勢讓人覺得任何人都能創建軟體之後。當然，從那時起，人們意識到：我們需要維護這些軟體並確保它不會出錯！因此，在 2026 年，我們看到軟體工程紀律的回歸——包括現在網路本體論的復興，作為一種確保機率性 LLM 可靠性的方法。