探索与记录

以 Anthropic 的代码审查实践为例，拆解 PR 前验证、风险分级审批、审查收敛和事故回灌，讨论何时可以减少人工审批。

从一个车辆模型出发，理解OWL如何连接描述逻辑、标准化表达与软件工具，以及RDF语义、属性链、键、punning和EL/QL/RL各自解决什么问题。

以《An Introduction to Description Logic》中的 ALC 为起点，通过一个车辆模型理解概念、知识库与推理：哪些结论必然成立，哪些仍然未知，哪些类别不可能有实例。

面向企业架构与业务负责人的 AI Agent 语义层建设框架：先定义语义层包含什么，再厘清 Query Contract、Action Contract 与策略层的边界，构建可信查询、受控行动和持续治理的业务闭环。

OKF 的价值不在定义更复杂的知识模型，而在成为不同 Agent 系统都能接受的最小交换契约。本文从格式、Skill、Runtime、ArcKit 治理边界和 Google Knowledge Catalog 战略解释这条 Context Plane 入口。

整个行业用 "function calling" 来描述模型调用工具，让所有开发者都下意识地把它当函数调用来处理。但工具不是函数——工具背后是数据库、文件系统、邮件服务、生产 API、Shell 和 MCP Server。每一次 Agent 的 tool call，本质上是一次资源授权请求，应该进入授权、审批、审计链路，而不是被 SDK 自动执行。本文是「AI Agent 安全最佳实践 2026」的续篇，专门拆解这个核心判断。

企业智能体的失败，真正的原因通常不是模型不够强。是没有人认真回答过：它做的事和业务目标之间到底有什么关系。本文用 DIKW/DIKWP 框架作为工程地图，拆解企业 Agent 从数据感知到意图驱动的五层架构——不是把 DIKWP 当成真理金字塔，而是作为一张帮你问对问题的诊断工具。

Ontology（本体论）和 DDD（领域驱动设计）都在做领域建模，但一个偏知识表示，一个偏工程实现。这篇文章逐对对比 Class vs Entity、Axiom vs Invariant、Namespace vs Bounded Context 等核心概念，厘清边界，并给出三步结合方法。

本文用 FCKG 电影奖项知识图谱作为形象化示例，通俗解释本体论中的 Class、Instance、Relationship、Constraint、Identifier、Alignment 和 Inference，并说明 ontology 为什么是 AI 理解业务的语义底座。

2026 年的 AI Agent 安全，已经不能只靠 Prompt Guardrail。Agent 一旦具备工具调用、MCP、记忆、工作流编排和外部系统访问能力，本质上就是一个会行动的软件主体。本文从业界共识出发，拆解 Agent 的七层攻击面，归纳六个工程控制点，并给出业务服务+智能体服务的双层安全架构和落地要点。