从商业事件到可审计决策：面向企业AI的本体驱动图模拟
企业AI决策的“幻觉”与破局之道
当前基于大语言模型（LLM）的智能体系统在企业应用中面临一个普遍的结构性缺陷：它们直接从无限制的知识空间中生成答案，却未能首先模拟活跃商业场景如何针对特定事件重塑这一空间。这导致决策虽然流畅，却缺乏事实依据，且无法追溯审计路径。企业决策需要的是可验证、可解释的智能，而非仅仅是“听起来合理”的文本。
LOM-action：事件驱动的本体模拟架构
为了解决这一核心问题，研究团队提出了 LOM-action 系统。其核心理念是为企业AI装备 事件驱动的本体模拟 能力。该架构将决策过程严格规范为 “事件 → 模拟 → 决策” 的三步核心管道。
- 事件触发：商业事件（如“客户订单取消”、“供应链中断”）作为输入。
- 本体编码与图模拟：事件会触发预置在企业本体（Enterprise Ontology, EO）中的场景条件。这些条件驱动一个隔离沙盒中的确定性图结构变异，将一个业务子图的工作副本演化为特定于该场景的有效模拟图（G_sim）。
- 决策生成：所有最终决策都唯一地从这个演化后的模拟图中推导得出，确保了决策与具体业务情境的强绑定。
双模式架构：技能与推理
LOM-action通过一个双模式架构来实现上述流程：
- 技能模式：处理预定义的、结构化的操作和工具调用。
- 推理模式：处理需要逻辑推断和情境理解的复杂任务。
这种设计确保了系统既能高效执行常规任务，又能灵活应对需要深层分析的场景。更重要的是，每一个决策都会生成一个完全可追溯的审计日志，详细记录了从事件输入到图模拟演变再到最终决策的完整链条，满足了企业对于合规性和可解释性的刚性需求。
性能验证：揭露“虚幻的准确性”
研究团队将LOM-action与前沿基线模型（如Doubao-1.8和DeepSeek-V3.2）进行了对比测试。结果颇具启发性：
- LOM-action在准确率上达到 93.82%，在工具链调用相关的F1分数上达到 98.74%。
- 相比之下，基线模型虽然也能达到约80%的准确率，但其工具链F1分数仅为24%-36%。
这一巨大差距揭示了一个关键现象：“虚幻的准确性”。即模型可能在整体答案的“正确性”上表现尚可，但在具体、可验证的操作步骤（如正确调用API、遵循业务流程）上却严重失败。而企业决策的可靠性，恰恰依赖于后者。
核心启示：架构优先于模型规模
LOM-action在工具链F1分数上近四倍的优势，传递出一个明确的信号：对于构建可信赖的企业决策智能而言，由本体驱动、事件驱动的模拟架构，比单纯追求更大的模型规模更为关键。它提供了一种将LLM的通用知识与具体、动态的企业知识图谱和业务流程深度结合的方法论。
这项研究为企业级AI应用的落地指明了一个重要方向：未来的竞争可能不再仅仅是“大模型”的竞赛，更是如何设计可审计、可模拟、与业务深度耦合的智能系统架构的竞赛。这为金融风控、供应链管理、客户服务等需要高可靠性与合规性的领域，提供了新的技术蓝图。