[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"consumer-news-detail-857":3,"consumer-news-interaction-857":39,"consumer-news-related-857":42},{"detail":4,"item":35},{"card":5,"schemaVersion":22,"fields":23,"content":29},{"id":6,"kind":7,"targetType":8,"targetId":9,"subtype":7,"typeLabel":10,"title":11,"subtitle":12,"summary":13,"coverUrl":14,"badgeText":15,"href":16,"sourceName":12,"meta":17,"metrics":19,"tags":20,"resolved":21},"NEWS_ARTICLE:857","news","NEWS_ARTICLE",857,"资讯","Palantir 眼中的一次“订单可能延期”，如何成为实时决策的起点？","博客园","关键客户订单 SO-2026-0812 明早必须发货，但产线设备异常、核心零件库存不足。这个场景的重点不只是识别风险，而是让分散信息支撑后续判断与行动。下面以此示例来理解 Palantir 的 Foundry、Ontology、AIP、Apollo 与 Gotham 都将扮演怎样的角色；当然，这里是","https:\u002F\u002Fimg2024.cnblogs.com\u002Fblog\u002F635610\u002F202609\u002F635610-20260902065517024-771811555.png","","\u002Fnews\u002F857",[18],"2026",{},[],true,"consumer-content-detail-v1",{"sourceName":12,"authorName":24,"summary":13,"description":13,"publishTime":25,"updateTime":26,"sourceUrl":27,"language":28},"AlfredZhao","2026-09-02T06:55","2026-09-02T20:37:50","https:\u002F\u002Fwww.cnblogs.com\u002Fjyzhao\u002Fp\u002F22800394","中文",{"format":30,"policy":31,"normalized":21,"html":32,"text":33,"wordCount":34,"hasBody":21},"HTML","NEWS_CONTENT_V1","\u003Cp>关键客户订单 SO-2026-0812 明早必须发货，但产线设备异常、核心零件库存不足。这个场景的重点不只是识别风险，而是让分散信息支撑后续判断与行动。下面以此示例来理解 Palantir 的 Foundry、Ontology、AIP、Apollo 与 Gotham 都将扮演怎样的角色；当然，这里是为了简化理解，真实场景下，它们并非都是必选项。\u003C\u002Fp>\n\u003Ch2>01 | 从分散信息到业务上下文\u003C\u002Fh2>\n\u003Cp>订单、设备与库存信息可能来自不同系统。先汇集信息，再用业务对象及其关系组织这些信息，才能判断设备异常和零件库存不足会如何影响订单。\u003C\u002Fp>\n\u003Cdiv>\n flowchart LR F[Foundry：汇集业务信息] --> O[Ontology：连接对象、关系与动作] O --> R[订单风险：可能延期] O --> A[AIP：围绕业务上下文分析] A --> X[业务动作] P[Apollo：为相关软件能力提供部署支撑] X --> G[Gotham：可作为面向任务协同的载体]\n\u003C\u002Fdiv>\n\u003Ch2>02 | 先把现场信息汇集起来：Foundry\u003C\u002Fh2>\n\u003Cp>\u003Cimg src=\"https:\u002F\u002Fi1.wp.com\u002Fimg2024.cnblogs.com\u002Fblog\u002F635610\u002F202609\u002F635610-20260902065517024-771811555.png?w=720&quality=65&strip=all\" alt=\"截屏2026-09-01 16.48.37.png\">\u003C\u002Fp>\n\u003Cp>Foundry 的角色，是让订单、设备、库存等业务信息能够被汇集和使用，为后续判断建立基础。\u003C\u002Fp>\n\u003Ch2>03 | 用业务语言连接数据：Ontology\u003C\u002Fh2>\n\u003Cp>\u003Cimg src=\"https:\u002F\u002Fi1.wp.com\u002Fimg2024.cnblogs.com\u002Fblog\u002F635610\u002F202609\u002F635610-20260902065518278-1154692229.png?w=720&quality=65&strip=all\" alt=\"截屏2026-09-01 16.48.43.png\">\u003C\u002Fp>\n\u003Cp>本体论不只是数据字段的集合。它关注订单、产线、设备、零件、库存等业务对象之间的关系，以及这些对象可以执行的业务动作。\u003C\u002Fp>\n\u003Cp>因此，系统面对的不再是孤立数据，而是一个需要回答的问题：这张订单是否会受到设备异常和库存不足的影响？\u003C\u002Fp>\n\u003Ch2>04 | 让 AI 参与分析：AIP\u003C\u002Fh2>\n\u003Cp>\u003Cimg src=\"https:\u002F\u002Fi1.wp.com\u002Fimg2024.cnblogs.com\u002Fblog\u002F635610\u002F202609\u002F635610-20260902065519413-906661902.png?w=720&quality=65&strip=all\" alt=\"截屏2026-09-01 16.48.46.png\">\u003C\u002Fp>\n\u003Cp>当业务对象和关系已经明确，AIP 可以围绕真实业务上下文参与分析，协助理解订单风险与可选方案。\u003C\u002Fp>\n\u003Cp>这里的前提是，订单风险已有明确的业务语境，而非只面对脱离业务含义的数据字段。\u003C\u002Fp>\n\u003Ch2>05 | 从判断走向行动\u003C\u002Fh2>\n\u003Cp>\u003Cimg src=\"https:\u002F\u002Fi1.wp.com\u002Fimg2024.cnblogs.com\u002Fblog\u002F635610\u002F202609\u002F635610-20260902065520481-1839563848.png?w=720&quality=65&strip=all\" alt=\"截屏2026-09-01 16.48.48.png\">\u003C\u002Fp>\n\u003Cp>“订单可能延期”只是提示。更有价值的是围绕订单、设备和零件推动相关人员处理问题，让风险提示成为业务动作的起点。\u003C\u002Fp>\n\u003Ch2>06 | 部署与协同：Apollo、Gotham\u003C\u002Fh2>\n\u003Ch3>① Apollo：让现场能够使用能力\u003C\u002Fh3>\n\u003Cp>\u003Cimg src=\"https:\u002F\u002Fi1.wp.com\u002Fimg2024.cnblogs.com\u002Fblog\u002F635610\u002F202609\u002F635610-20260902065521516-800007365.png?w=720&quality=65&strip=all\" alt=\"截屏2026-09-01 16.48.51.png\">\u003C\u002Fp>\n\u003Cp>Apollo 关注将软件能力部署到不同环境，使现场业务能够使用这些能力。\u003C\u002Fp>\n\u003Ch3>② Gotham：围绕任务形成共同视角\u003C\u002Fh3>\n\u003Cp>\u003Cimg src=\"https:\u002F\u002Fi1.wp.com\u002Fimg2024.cnblogs.com\u002Fblog\u002F635610\u002F202609\u002F635610-20260902065522494-1038571050.png?w=720&quality=65&strip=all\" alt=\"截屏2026-09-01 16.50.02.png\">\u003C\u002Fp>\n\u003Cp>Gotham 可用于面向复杂任务进行信息理解和协同。在这个场景中，它帮助相关人员围绕订单风险形成共同视角。\u003C\u002Fp>\n\u003Ch2>07 | 本体论的核心价值\u003C\u002Fh2>\n\u003Cp>\u003Cimg src=\"https:\u002F\u002Fi1.wp.com\u002Fimg2024.cnblogs.com\u002Fblog\u002F635610\u002F202609\u002F635610-20260902065523332-1482468876.png?w=720&quality=65&strip=all\" alt=\"截屏2026-09-01 16.49.42.png\">\u003C\u002Fp>\n\u003Cp>笔者理解，本体论的价值在于连接数据、业务对象、对象关系与可执行动作。于是，“订单可能延期”不再只是告警，而能成为实时决策的起点。\u003C\u002Fp>\n\u003Cp>关注我，和AI一起成长~\u003C\u002Fp>","关键客户订单 SO-2026-0812 明早必须发货，但产线设备异常、核心零件库存不足。这个场景的重点不只是识别风险，而是让分散信息支撑后续判断与行动。下面以此示例来理解 Palantir 的 Foundry、Ontology、AIP、Apollo 与 Gotham 都将扮演怎样的角色；当然，这里是为了简化理解，真实场景下，它们并非都是必选项。 01 | 从分散信息到业务上下文 订单、设备与库存信息可能来自不同系统。先汇集信息，再用业务对象及其关系组织这些信息，才能判断设备异常和零件库存不足会如何影响订单。 flowchart LR F[Foundry：汇集业务信息] --> O[Ontology：连接对象、关系与动作] O --> R[订单风险：可能延期] O --> A[AIP：围绕业务上下文分析] A --> X[业务动作] P[Apollo：为相关软件能力提供部署支撑] X --> G[Gotham：可作为面向任务协同的载体] 02 | 先把现场信息汇集起来：Foundry Foundry 的角色，是让订单、设备、库存等业务信息能够被汇集和使用，为后续判断建立基础。 03 | 用业务语言连接数据：Ontology 本体论不只是数据字段的集合。它关注订单、产线、设备、零件、库存等业务对象之间的关系，以及这些对象可以执行的业务动作。 因此，系统面对的不再是孤立数据，而是一个需要回答的问题：这张订单是否会受到设备异常和库存不足的影响？ 04 | 让 AI 参与分析：AIP 当业务对象和关系已经明确，AIP 可以围绕真实业务上下文参与分析，协助理解订单风险与可选方案。 这里的前提是，订单风险已有明确的业务语境，而非只面对脱离业务含义的数据字段。 05 | 从判断走向行动 “订单可能延期”只是提示。更有价值的是围绕订单、设备和零件推动相关人员处理问题，让风险提示成为业务动作的起点。 06 | 部署与协同：Apollo、Gotham ① Apollo：让现场能够使用能力 Apollo 关注将软件能力部署到不同环境，使现场业务能够使用这些能力。 ② Gotham：围绕任务形成共同视角 Gotham 可用于面向复杂任务进行信息理解和协同。在这个场景中，它帮助相关人员围绕订单风险形成共同视角。 07 | 本体论的核心价值 笔者理解，本体论的价值在于连接数据、业务对象、对象关系与可执行动作。于是，“订单可能延期”不再只是告警，而能成为实时决策的起点。 关注我，和AI一起成长~",982,{"id":6,"kind":7,"title":11,"summary":13,"image":14,"href":16,"meta":18,"badge":10,"author":12,"stats":-1,"accent":36,"coverRatio":37,"tags":38},"#2563eb","16 \u002F 10",[7,8],{"targetType":8,"targetId":9,"likedByMe":40,"likeCount":41,"commentCount":41,"contentLikeCount":41,"contentCommentCount":41,"sourceLikeCount":41,"sourceCommentCount":41},false,0,[43,52,58,65,73,80,86,93],{"id":44,"kind":7,"title":45,"summary":46,"image":47,"href":48,"meta":49,"badge":10,"author":12,"stats":-1,"accent":36,"coverRatio":37,"tags":50},"NEWS_ARTICLE:827","MHS 三部曲（下）：谁允许 AI 行动？——权力、合规与中国厂商的答卷","我们总在等待一个像 ChatGPT 那样的机器人时刻。但具身智能真正的拐点，也许先发生在更不起眼的地方：一台陌生设备，第一次能把自己的能力、状态和边界完整告诉 AI；一个 Agent，第一次能把试出来的经验固化成可验证、可复用的机器技能。","https:\u002F\u002Fimg2024.cnblogs.com\u002Fblog\u002F510\u002F202608\u002F510-20260830153745229-1536981088.jpg","\u002Fnews\u002F827","2026 · 人工智能",[51],"人工智能",{"id":53,"kind":7,"title":54,"summary":55,"image":15,"href":56,"meta":18,"badge":10,"author":12,"stats":-1,"accent":36,"coverRatio":37,"tags":57},"NEWS_ARTICLE:829","我不会美工，用 WorkBuddy 1 分钟做出 4 张海报","先说结果：下面这 4 张海报，从我发出指令到拿到图片，大约 1 分钟。 我不会美工，也没有打开 Photoshop。用的工具，是我之前用 WorkBuddy 做的一个海报生成器。这个生成器本身也没花几分钟，具体开发过程我在上一篇文章里写过。 这次我把海报生成器的网址、产品截图和要求一起发给 Work","\u002Fnews\u002F829",[7,8],{"id":59,"kind":7,"title":60,"summary":61,"image":62,"href":63,"meta":18,"badge":10,"author":12,"stats":-1,"accent":36,"coverRatio":37,"tags":64},"NEWS_ARTICLE:828","一个人抵一个团队的时代，企业级 AI Agent 还需要做什么？","对于企业而言，真正需要的，不是一个“会聊天”的 Agent，而是一套能被多用户、多场景复用，且权限清晰、过程可审计、成本可控制的 Agent 能力体系。","https:\u002F\u002Fimg2024.cnblogs.com\u002Fblog\u002F2232255\u002F202609\u002F2232255-20260902173524728-659996478.png","\u002Fnews\u002F828",[7,8],{"id":66,"kind":7,"title":67,"summary":68,"image":15,"href":69,"meta":70,"badge":10,"author":12,"stats":-1,"accent":36,"coverRatio":37,"tags":71},"NEWS_ARTICLE:832","用 runtime-async 写一个支持 async\u002Fawait 的轻量脚本引擎","起因：一个好奇 事情的开头很简单。 给 .NET 做过动态脚本的人大概都碰到过同一堵墙：表达式树也好、Reflection.Emit 也好，都很难支持 async\u002Fawait。原因不在语法，而在 await 的实现方式——C# 编译器要为每个 async 方法生成一个状态机结构体，把方法体切成若干片","\u002Fnews\u002F832","2026 · 软件开发",[72],"软件开发",{"id":74,"kind":7,"title":75,"summary":76,"image":77,"href":78,"meta":18,"badge":10,"author":12,"stats":-1,"accent":36,"coverRatio":37,"tags":79},"NEWS_ARTICLE:831","Agent Sandbox 规模化：JuiceFS 探索与实践","过去一段时间，我们在和云厂商以及 Agent 团队推进 Sandbox 落地时，除了要解决数据如何进入 Sandbox，还需要考虑任务所需的数据和执行过程中产生的数据，如何跨任务、跨阶段持续使用。Sandbox 可以随任务快速创建和销毁，但数据往往需要继续保留、共享和流转。 当 Sandbox 并发","https:\u002F\u002Fimg2024.cnblogs.com\u002Fblog\u002F2544292\u002F202609\u002F2544292-20260902171045357-1907499098.png","\u002Fnews\u002F831",[7,8],{"id":81,"kind":7,"title":82,"summary":83,"image":15,"href":84,"meta":18,"badge":10,"author":12,"stats":-1,"accent":36,"coverRatio":37,"tags":85},"NEWS_ARTICLE:830","百智云长期记忆服务：长期记忆与上下文窗口的区别","很多人在接触 AI 长期记忆时，第一反应是：「这不就是把聊天记录存起来吗？」其实这是一个很常见的误解。今天我们把「长期记忆」和「上下文窗口」这两个概念彻底讲清楚。 一、什么是上下文窗口 上下文窗口（Context Window）是模型在单次推理时能「看到」的文本上限。它像一个临时的工作台：模型只能处","\u002Fnews\u002F830",[7,8],{"id":87,"kind":7,"title":88,"summary":89,"image":90,"href":91,"meta":49,"badge":10,"author":12,"stats":-1,"accent":36,"coverRatio":37,"tags":92},"NEWS_ARTICLE:835","体验向量数据库 qdrant","作者:张富春(ahfuzhang)，转载时请注明作者和引用链接，谢谢！ cnblogs博客 zhihu Github 公众号:一本正经的瞎扯 背景 为了早点搞懂公司的百万行 C# 的祖传代码，我想在缺乏文档、缺乏帮手的情况下，先建立一个 企业知识库 来快速帮我理清头绪。 一开始，我是打算以 weav","https:\u002F\u002Fimg2022.cnblogs.com\u002Fblog\u002F1457949\u002F202202\u002F1457949-20220216153819145-1193738712.png","\u002Fnews\u002F835",[51],{"id":94,"kind":7,"title":95,"summary":96,"image":15,"href":97,"meta":18,"badge":10,"author":12,"stats":-1,"accent":36,"coverRatio":37,"tags":98},"NEWS_ARTICLE:833","如何利用AI技术实现漫画翻译","漫画作为图文结合的特色文化载体，承载着各国潮流文化与人文故事，但跨语言的文字壁垒，长期制约着漫画的传播与交流。传统漫画翻译高度依赖人工操作，需要人工框选文字、擦除原图文字、翻译文案、排版适配画风，流程繁琐、耗时费力，且极易出现排版错乱、画风违和、语义偏差等问题。 随着深度学习、计算机视觉与大模型技术","\u002Fnews\u002F833",[7,8]]