业务智能体落地实践：2026 中国水利学术大会报告回顾

我们凭什么相信它的业务判断

当大模型从“回答问题”走向“替人办事”，这是一个越来越现实的问题

2026 年 10 月 15 日至 16 日，2026 中国水利学术大会在湖南长沙举行，大会以“数智赋能，助力水利高质量发展”为主题，由中国水利学会、长沙理工大学、湖南省水利水电科学研究院共同主办，设 19 场专题会议、277 个学术报告，千余位代表参会

专题会议2由水利部数字孪生流域重点实验室、中国水资源战略研究会承办，中国水科院水资源所协办

业务建模正在从隐式走向显式：过去，业务模型藏在代码里，后来藏在模型参数里，大模型的语义理解能力，第一次让业务人员可以用自然语言直接描述、查看和修改业务模型
复杂业务的确定性，不能只向大模型索取：本体把业务对象、关系、规则和状态显式表达出来，成为人和智能体共同理解的“业务世界”
落地是效果、效率、成本的权衡：不是一个最强的模型包办一切，而是代码、判断模型、专家模型和大模型各做擅长的事，由本体串联在一起
有了本体，业务结论可推理、可溯源、可审计

业务建模四十年：从“藏在代码里”到“藏在模型里”

每一代企业软件做的都是同一件事：把业务搬进系统，区别只在于业务模型放在哪里、谁来建、用户看不看得见

信息化：业务模型在实现层，散落在类、表和映射配置里，只有开发人员看得懂，换一套系统就要重建一遍
数字化：主数据、指标体系和知识图谱让业务语义开始跨系统共享，用户能看指标，但难改逻辑
机器学习与深度学习：业务知识先是一半在特征里、一半在参数里，后来连特征都交给机器自己学，建模整体进入黑盒
大模型：业务知识被压缩进海量参数，RAG 让回答附上出处，是一次重要的缓解，但它追溯的是“信息从哪来”，而不是“结论是怎么推出来的”

+--------------+--------------------+--------------+
| 阶段         | 建模在哪           | 用户可见     |
+--------------+--------------------+--------------+
| 信息化 1980~ | 数据库表、表单、类 | 看不见       |
+--------------+--------------------+--------------+
| 数字化 2010~ | 主数据、指标、图谱 | 部分可见     |
+--------------+--------------------+--------------+
| AI 2015~     | 特征与模型参数     | 越来越看不见 |
+--------------+--------------------+--------------+
| 大模型 2023~ | 千亿级模型参数     | 答案可见     |
+--------------+--------------------+--------------+
| 智能体 2025~ | 业务本体           | 显式、可交互 |
+--------------+--------------------+--------------+

到了智能体阶段，系统要发起催办、变更交期、给出评分、触发预警，答错一个问题，人还可以不采纳，做错一件事，后果是实打实的，确定性、可解释性和可控性从加分项变成了门槛

这时两股力量同时出现：一边是模型越大越难解释，另一边是大模型的语义理解能力，让业务对象、关系和规则可以用业务人员熟悉的语言描述，再由模型协助抽取、校验和维护

业务建模从隐式变为显式

从开发人员的专属能力，变成用户可视、可理解、可交互的共同语言

这种显式的业务模型，就是本体

大模型应用：几年里把企业软件几十年的路又走了一遍

企业应用用了几十年，从围绕流程走到围绕数据，再到围绕智能，最后走到围绕业务对象；大模型应用只用了短短几年，从围绕知识到围绕流程，再到围绕智能，如今同样走到了围绕业务对象

工作流的优势是稳定，Agent Loop 的优势是灵活，对象驱动的业务智能体把两者合起来：程序守住任务、权限、资源和监控的边界，大模型在边界内规划路径，执行结果写回并更新业务对象

智能体的四种形态

业务本体：可推理、可溯源、可审计

对业务对象、属性、关系、状态、约束、权限和可执行动作的显式建模

这里说的本体，不是把文档画成一张关系图，也不是堆砌“实体—关系—实体”三元组，它是人和智能体共同理解的业务世界

本体也不必一开始就上重型系统，可以承载在数据表、JSON/YAML、图数据库或知识图谱里，关键是把业务对象、关系、规则和口径先梳理清楚

可推理: 沿着业务关系一步步推导，结论由事实和规则推出，而不是由模型“猜”出来
可溯源: 每个事实都能回到来源：哪份文件、第几页、哪个系统、哪个版本，保留的是证据与对象、规则、结论之间的对应关系
可审计: 什么时间、用了哪个工具和哪个版本的规则、输入输出是什么、谁做了人工确认，全部留痕，规则后来变了，也能还原“当时为什么这样判”

落到系统里，就是首页所说的证据链、判断链和动作链

[NOTE]本体本身不会自动保证事实正确，只有与取证、校验、规则治理和审计机制配套，这三种能力才能真正落地

务实的架构：效果、效率、成本三角权衡

很多团队落地智能体的第一反应是用最强的模型、给最长的上下文，但在真实业务里，三者很难同时做到最好

cat tradeoff.md

                +--------+
                |  效果  |
                +--------+
                    /\
                   /  \
          更强    /    \    更强
          更贵   /      \   更慢
                / 务实解 \
               /          \
              / 代码+规则  \
             /   判断模型   \
            /    专家模型    \
           /      + LLM       \
  +--------+                  +--------+
  |  效率  |------------------|  成本  |
  +--------+    更快  更弱    +--------+

效果: 模型能力越强、上下文越长、外部知识越充分，效果通常越好，但单纯追求效果，往往更慢、更贵
效率: 小模型和流程模型通常更快，代码几乎没有延时，合理的缓存与检索能提速
成本: 参数越大、上下文越长，调用越贵，用工程手段和判断模型替代一部分大模型调用，可以显著降低成本

三角的中间是务实解：代码、规则、判断模型、专家模型和大模型，各自承担最擅长的部分

cat architecture.md

+--------------------------------------------+    +------------+
| 用户请求 / 业务事件 / 外部触发             |    | 横贯各层   |
+--------------------------------------------+    |            |
                      |                           |            |
                      v                           |            |
+-- 编排层 Agent Loop -----------------------+    |            |
| 任务拆解、工具循环                         |    |            |
| 状态、权限、监控回溯                       |    | - 权限     |
+--------------------------------------------+    |            |
                      ^                           |            |
                      v                           |            |
+-- RAG -------------+  +-- 智能问数 --------+    |            |
| 非结构化检索       |  | 结构化检索         |    |            |
| 文档、制度、FAQ    |  | 数据表、指标库     |    | - 证据     |
+--------------------+  +--------------------+    |            |
                      ^                           |            |
                      v                           |            |
+== 本体 / 业务对象模型层 ===================+    |            |
| 业务对象、关系、语义口径                   |    |            |
| 约束、权限、状态与逻辑                     |    | - 版本     |
| 三大基础能力围绕同一套对象工作             |    |            |
+============================================+    |            |
           按需调度 v   ^ 结果写回                |            |
+-- 能力层：按需调用 ------------------------+    |            |
| +-- 代码 / 规则 ---+  +-- 判断模型 ------+ |    |            |
| | 业务逻辑校验     |  | 分类排序判断     | |    | - 质量评测 |
| +------------------+  +------------------+ |    |            |
| +-- 大模型 LLM ----+  +-- OCR / VLM -----+ |    |            |
| | 语义理解与推理   |  | 文档图像解析     | |    |            |
| +------------------+  +------------------+ |    |            |
| +-- Embedding -----+  +-- Reranker ------+ |    |            |
| | 向量检索         |  | 检索结果重排     | |    | - 审计     |
| +------------------+  +------------------+ |    |            |
| +-- 专家模型 ----------------------------+ |    |            |
| | 行业模型、机理模型、时序预测           | |    |            |
| +----------------------------------------+ |    |            |
+--------------------------------------------+    |            |
                      ^                           | - 人工确认 |
                      |                           |            |
+-- 数据与系统 ------------------------------+    |            |
| 结构化：数据库、指标库                     |    |            |
| 非结构化：文档、制度、报告                 |    |            |
| 业务系统：ERP、CRM、工单、API              |    |            |
+--------------------------------------------+    +------------+

+--------------------------------------------+
| 用户请求 / 业务事件 / 外部触发             |
+--------------------------------------------+
                      |
                      v
+-- 编排层 Agent Loop -----------------------+
| 任务拆解、工具循环                         |
| 状态、权限、监控回溯                       |
+--------------------------------------------+
                      ^
                      v
+-- RAG -------------+  +-- 智能问数 --------+
| 非结构化检索       |  | 结构化检索         |
| 文档、制度、FAQ    |  | 数据表、指标库     |
+--------------------+  +--------------------+
                      ^
                      v
+== 本体 / 业务对象模型层 ===================+
| 业务对象、关系、语义口径                   |
| 约束、权限、状态与逻辑                     |
| 三大基础能力围绕同一套对象工作             |
+============================================+
           按需调度 v   ^ 结果写回
+-- 能力层：按需调用 ------------------------+
| +-- 代码 / 规则 ---+  +-- 判断模型 ------+ |
| | 业务逻辑校验     |  | 分类排序判断     | |
| +------------------+  +------------------+ |
| +-- 大模型 LLM ----+  +-- OCR / VLM -----+ |
| | 语义理解与推理   |  | 文档图像解析     | |
| +------------------+  +------------------+ |
| +-- Embedding -----+  +-- Reranker ------+ |
| | 向量检索         |  | 检索结果重排     | |
| +------------------+  +------------------+ |
| +-- 专家模型 ----------------------------+ |
| | 行业模型、机理模型、时序预测           | |
| +----------------------------------------+ |
+--------------------------------------------+
                      ^
                      |
+-- 数据与系统 ------------------------------+
| 结构化：数据库、指标库                     |
| 非结构化：文档、制度、报告                 |
| 业务系统：ERP、CRM、工单、API              |
+--------------------------------------------+

+-- 横贯各层 --------------------------------+
| 权限、证据、版本、质量评测、审计、人工确认 |
+--------------------------------------------+

落到系统上的分层架构

三大基础能力围绕本体协同：RAG、智能问数和 Agent Loop 不是各自为战，而是围绕同一套业务对象工作
能力层按需调用：判断模型用于问题和选项都明确时的局部语义判断，如分类、排序、二元判断，可以替代相当一部分大模型调用；Embedding 负责向量检索，Reranker 负责检索结果重排；专家模型既包括行业模型、时序预测和异常检测，也包括水文水动力等机理模型
治理横贯各层：权限、证据、版本、质量评测和审计贯穿从编排到数据的每一层，高风险判断由有权限的人确认或纠正

选型五原则

能用代码解决的，不必交给模型
能用判断模型解决的，不必交给大模型
先用本体把业务对象、关系、规则、口径和证据梳理清楚
根据业务场景选择最合适的技术组合
让合适的能力做合适的事，才能持续、稳定、规模化落地

业务越复杂，越需要显式的业务模型

并不是每个场景都需要一套完整的本体，四个场景按业务复杂度递进，所需的建模深度也逐级加深

对水利行业的启发

把台风理赔场景里的对象和规则替换一下，就是同一套思路

水利行业已经积累了大量监测数据、GIS 空间能力，以及洪水演进、水库调度等专业机理模型，数字孪生流域建设也在持续推进

专业模型负责可信计算，本体负责连接工程对象与业务含义，规则负责约束决策，智能体负责调度工具和解释过程，关键环节由人把关

[INFO]本体不替代水文水动力等机理模型，大模型也不应凭空计算洪水过程，本体要做的，是让专业模型的结果进入业务决策：从“能预测”走向“能解释、能协同、能执行、可审计”

diff -y typhoon-claim.md flood-control.md

+------------------+------------------+
| 台风理赔（演示） | 水利场景         |
+------------------+------------------+
| 台风影响边界     | 洪水演进结果     |
+------------------+------------------+
| 仓库、保险标的   | 河段、堤防、水库 |
+------------------+------------------+
| 保单、客户       | 责任单位、预案   |
+------------------+------------------+
| 理赔优先级规则   | 预警与调度规则   |
+------------------+------------------+
| 查勘任务         | 处置任务         |
+------------------+------------------+

做事的步骤可以交给模型临场规划，但只有业务对象清晰、稳定，这种临场规划才靠得住

让智能体真正走进关键业务，靠的不是一个更大的模型，而是一个看得见、讲得清、查得到的业务世界

2026 中国水利学术大会会场，长沙国际会议中心 — 2026 中国水利学术大会 · 长沙国际会议中心

智能体时代，复杂业务为什么需要本体