Онтология — описание того, как устроена область знаний: какие в ней есть понятия, какими свойствами они обладают и как связаны между собой. Идея не новая: на ней строили «Семантический веб», который так и не взлетел. Сейчас к онтологиям вернулись из-за ИИ-агентов — и по вполне практической причине. Разбираем, зачем предсказывающей текст модели понадобились жёсткие правила и что это даст вам как пользователю.
Модель угадывает, а агенту нужно не ошибаться
Профессор Фрэнк Коулей из Калифорнийского университета в Беркли формулирует суть так: языковые модели прекрасно работают с вероятностями и предположениями, но агенту этого мало — ему нужна структура и жёсткие правила.
Разница принципиальная. Когда модель отвечает в чате, неточность стоит вам минуты на перепроверку. Когда агент действует — оформляет заказ, меняет запись в базе, отправляет документ, — та же неточность становится неверным действием.
Онтология работает как ограждение. Она задаёт, что «клиент» и «поставщик» — разные сущности, что у заказа обязательно есть статус, а статусов существует ровно пять. Модель по-прежнему предполагает, но предполагать вне этих рамок она уже не может.
Три слоя онтологий на предприятии
Компания Neo4j, разработчик графовых баз данных, раскладывает это на три уровня:
- Бизнес-онтология — понятия и процессы компании: что здесь называют сделкой, из каких этапов она состоит, кто за что отвечает.
- Техническая онтология — описание самих данных и систем: где что лежит и в каком виде.
- Онтология исполнения — запись того, что агент делал и почему принял то или иное решение.
Третий слой отвечает на вопрос, который возникает после каждого сбоя: почему агент поступил именно так. Без такой записи разбор инцидента превращается в гадание — тема, смежная с проблемой верификатора.
С нуля строить не придётся
Коулей напоминает: готовые стандарты уже есть. Schema.org — словарь для описания сущностей в вебе, OWL (Web Ontology Language) — язык для описания знаний. Оба существуют давно и разложены по множеству сайтов и баз.
Важный нюанс: современные модели обучались в том числе на данных, размеченных этими стандартами. То есть модель уже видела такие структуры и понимает их. Это снимает главный аргумент против — не нужно изобретать язык описания, достаточно взять существующий.
Почему в прошлый раз не получилось
У Семантического веба был один изъян, который его и похоронил: онтологию нужно поддерживать. Мир меняется, появляются новые понятия и связи, и всё это кто-то должен вручную вносить. На больших объёмах поддержка съедала больше сил, чем приносила пользы.
Новая ставка в том, что сопровождением займутся сами агенты: работая с данными, они замечают новые сущности и связи и обновляют описание. Насколько это сработает, пока неизвестно — идея свежая. Но именно она объясняет, почему к похороненной теме вернулись.
Что из этого следует для обычного пользователя
Прямо сейчас — ничего настраивать не нужно, всё это происходит на стороне разработчиков. Но при выборе инструмента появляется полезный вопрос: понимает ли агент структуру ваших данных или просто читает их как текст.
Разница проявляется на практике. Агент, знающий, что «дата оплаты» и «дата отгрузки» — разные вещи, не перепутает их при заполнении. Агент, для которого это просто числа в документе, перепутает рано или поздно.
И более общее правило, которое стоит забрать: чем больше действий вы доверяете агенту, тем важнее, чтобы он работал по описанным правилам, а не по догадке. Про то, как агенты становятся быстрее и надёжнее, — материал про Hermes Agent v0.19.0 и обновление базы для генерации документации. Как подключить агента к своим данным — в разделе интеграций, свежее — в новостях.
Источник: Ontologies Are So Back: Why AI Agents Are Reviving the Semantic Web, Richard MacManus, Latent.Space, AIEWF 2026.
Рядом по инструментам и стандартам: MCP 2.0 и llm 0.32rc2.