从业务事件到可审计决策：面向企业 AI 的本体驱动图仿真
人工智能
2026-04-13 v1 计算与语言
摘要
现有的基于大语言模型的代理系统共享一种常见的架构缺陷：它们从未模拟主动业务情景如何重塑知识空间，以事件为驱动，便直接作出决策，导致决策流畅却不具备依托，且缺乏审计轨迹。我们提出 LOM-action，为企业 AI 配备事件驱动本体仿真：业务事件触发编码在企业本体（EO）中的情景条件，驱动孤立沙盒中确定性图变体，演化为情景有效的仿真图 ；所有决策均仅从该演化图中推导。核心管道为事件 仿真 决策，通过双模架构实现——技能模式和推理模式。每一次决策都会产生完整可追溯的审计日志。LOM-action 在对齐前沿基准 Doubao-1.8 和 DeepSeek-V3.2 的结果中，准确率达 93.82%，工具链 F1 达 98.74%，而后者仅达 24%--36% F1（尽管准确率为 80%），揭示了“虚假准确”现象。四倍的 F1 优势确认，本体驱动、事件驱动的仿真，而非模型规模，是可信赖企业决策智能的架构前提。
引用
@article{arxiv.2604.08603,
title = {From Business Events to Auditable Decisions: Ontology-Governed Graph Simulation for Enterprise AI},
author = {Hongyin Zhu and Jinming Liang and Mengjun Hou and Ruifan Tang and Xianbin Zhu and Jingyuan Yang and Yuanman Mao and Feng Wu},
journal= {arXiv preprint arXiv:2604.08603},
year = {2026}
}