企业在软件开发全生命周期中部署代理式 AI 时，需要的是系统的行为逻辑，而不是利益相关者的文档。为此，研究团队构建了一个由七个代理组成的逆向工程流水线，对 18 项服务的 241 个代码仓库进行分析，生成了数千个描述范围、旅程、规则和验收标准的工件。
仅有恢复并不等于可用。诸如 offer、eligibility、activation 等实体在不同服务中频繁出现，虽然名称相同，却在运行时表现不同。一条端到端的业务旅程可能涉及上千条近似规则，若将它们混为一体将导致错误。传统的平面向量检索会返回相似度极高但来源错误的规则，且没有错误信号。内容层面的本体论本不存在，若为每一次出现的实体建立关联，成本将超过整个项目投入且难以在发布周期内维护。
为此，团队将本体放在工件层面。每个机器生成的工件都保留生产者、组件、服务、领域和类型等元数据，这些信息在读取内容之前即可实现消歧。知识层包括自描述目录、稀疏元数据注册表以及基于工件而非实体的导航超图。查询首先解析为工件标识符，从而约束向量搜索，使得来自其他服务的竞争规则根本不在候选集合中，而不是仅靠统计排序来区分。
该层在一周内搭建完成，新增服务只需遵循约定即可接入。它为 SDLC 代理、开发者、质量工程师和分析师提供支持，已帮助定位并解决 100 多起生产缺陷，经过开发者验证，并将 35 起发布回归失败归因于具体规则和服务。
点评：通过在工件层面引入结构化本体，实现了对海量相似规则的精准区分，为企业级 RAG 系统提供了可扩展且高效的知识组织方案。