Что такое ИИ-агент на онтологиях: старая «семантическая паутина» решает проблему галлюцинаций

В чём суть спора?

Чтобы понять, что такое ИИ-агент в контексте этой дискуссии, нужно разделить два слоя. Первый слой: большая языковая модель (LLM), которая отлично работает с вероятностями и языком, но регулярно «галлюцинирует» (уверенно выдумывает то, чего не было). Второй слой: набор правил и структур, которые держат модель в заданных рамках.

Фрэнк Койл, профессор компьютерных наук, преподающий генеративный ИИ и LLM в Калифорнийском университете Беркли, на конференции AI Engineer World's Fair предложил в качестве такого второго слоя использовать онтологии. Его 20-минутный доклад стал одним из самых просматриваемых видео конференции.

Онтология, если коротко, это формальное описание классов, свойств и связей в какой-то области знаний. Койл сформулировал ещё проще: «данные в виде графов». Он добавил, что как концепция онтологии восходят к Аристотелю и использовались на протяжении всей истории искусственного интеллекта.

Идея не осталась академической. Эмиль Эйфрем, генеральный директор компании Neo4j (производитель графовых баз данных), на той же конференции описал три типа онтологий для запуска агентов в масштабе:

• Бизнес-онтология описывает ключевые понятия организации.
• Техническая онтология охватывает метаданные всех источников и активов данных в экосистеме предприятия.
• Трассировки выполнения фиксируют сигналы, которые агент генерирует в процессе работы.

Эйфрем назвал это «более умным общим слоем», который позволяет перейти от «толстых агентов с вручную подключёнными источниками данных» к «тонким агентам на общем семантическом слое на базе онтологий».

Зачем воскрешать «семантическую паутину»?

Койл отдельно подчеркнул, что веб-онтологии (Schema.org, FOAF, Dublin Core) и технологии вроде RDFS (Resource Description Framework Schema, язык описания структур данных) и OWL (Web Ontology Language, язык онтологий) особенно полезны для построения агентных систем.

Главный практический аргумент: эти онтологии уже содержатся в обучающих данных (training data) больших моделей. Разработчику достаточно сослаться на них в промпте (prompt, текстовая инструкция для модели), а не изобретать схему с нуля.

«Всё это уже лежит в основе того, что мы делаем. Пользуйтесь тем, что уже существует.» : Фрэнк Койл, профессор компьютерных наук, UC Berkeley

Койл показал пример агентного цикла на базе Claude, где онтология валидировала рассуждения модели после каждого вызова инструмента. Он назвал такое соединение вероятностных агентов с онтологиями «нейросимволическим ИИ» (neurosymbolic AI): нейросети плюс символьные системы на правилах, включая графы знаний.

Кингсли Айдехен, глава компании OpenLink Software, который строит «стек агентной инженерии» на технологиях семантической паутины, включая «агента с RDF-памятью», объяснил выгоду так:

«Красота LLM в том, что они мощные обработчики языка. Красота онтологии в том, что она определяет типы сущностей и связей, через которые язык получает вычислимый контекст. Вместе они выводят выразительную силу языка на уровень пользовательского интерфейса.» : Кингсли Айдехен, CEO OpenLink Software

Почему это не взлетело раньше и что изменилось?

Аргументы против хорошо знакомы любому, кто застал «семантическую паутину» 1990-х и 2000-х. Главная проблема: поддержка и актуализация онтологий. Именно из-за этого первоначальная мечта о Semantic Web не реализовалась.

Разработчик Прасенджит Саркар предложил на платформе X возможное решение: когда агент сам поддерживает онтологию в ходе работы, обновляя определения при столкновении с пограничными случаями, характер проблемы обслуживания меняется. Но тут же оговорился, что задача всё равно остаётся сложной.

Ещё один контраргумент: вложить время в формализацию предметной области готовы не все команды. Для маленького проекта полноценная онтология может оказаться избыточной.

Тем не менее структурная природа онтологий хорошо сочетается с «блуждающими» наклонностями вероятностных моделей. Один из слайдов Койла описал это формулой: «ограниченный набор правил вокруг неограниченного цикла». Он показал, как OWL-аксиома (правило, которое машина применяет без исключений) проверяет каждый шаг агента и не даёт ему отклониться.

Для автора Дзена это аналогия с редполитикой: модель может писать что угодно, но если вы дали ей структурированное описание вашей ниши (какие сущности существуют, как они связаны), она будет «соскакивать» с темы заметно реже.

Что делать с этим прямо сейчас?

• Автору Дзена. Schema.org, это не абстракция: если вы размечаете статьи структурированными данными (Article, FAQPage, HowTo), вы уже работаете с онтологией. Следующий шаг: попробуйте в промпте для ChatGPT, Claude или YandexGPT явно указать схему вашей ниши (сущности, свойства, связи). Модель «знает» Schema.org из обучающих данных и лучше держит фокус.

• Маркетологу. Если вы строите агентов для автоматизации (например, агент, который отвечает клиентам или собирает отчёты), формализуйте бизнес-термины до запуска. Даже простой список «какие объекты есть в моей CRM и как они связаны» снижает количество галлюцинаций.

• Предпринимателю в РФ. Все упомянутые технологии (Schema.org, RDF, OWL) открытые и не зависят от санкций. Из доступных в России моделей, которые понимают эти стандарты: YandexGPT и GigaChat. Протестировать подход можно бесплатно.

Конференция AI Engineer World's Fair показала: инженеры, которые ещё год назад увлекались «вайб-кодингом» (генерацией кода по наитию), теперь ищут жёсткие рамки для своих агентов. Онтологии, инструмент, который казался мёртвым, оказался ровно тем ограничителем, которого не хватало вероятностным моделям. Вопрос уже не в том, что такое ИИ-агент, а в том, какая структура знаний стоит за ним, и у тех, кто разберётся с этим первым, агенты будут работать точнее.