分析师Leo用七八年攒出的行业判断框架，只存在他一个人脑子里。一条多晶硅出口新规，他忙到凌晨一点，换个人就可能漏读。本文从投研场景出发，拆解“本体”如何将隐性的行业逻辑抽象为系统可复用的骨架，让知识从个人经验沉淀为组织能力。

去年秋天那个晚上，我本来准备收拾东西走了。办公室的灯关了大半，只剩我和覆盖光伏的分析师Leo还在。我收拾到一半，Leo那边的手机响了——某部委推了一条关于多晶硅出口的新规。措辞含糊，但方向明显。

我当时没太当回事，直到看Leo的反应。他一下子从半瘫在椅子里坐直了，开始同时开三个窗口。Wind翻产业链数据，内部研报库搜过去半年团队写的多晶硅报告，微信群里问同事”上游那几家的产能占比谁手上有最新的”。

我在旁边看着，帮不上忙，但有个感觉越来越强：这条政策命中的是产业链上游，可上游的波动会怎么一层层传导到中游电池片、下游组件、再到具体的上市公司？这套传导逻辑Leo是有的，七八年攒出来的行业框架。但它只在他脑子里。今晚他在，这套逻辑就能跑；明天他休假，换个新人，这条政策大概率就被漏读了。

Leo忙到凌晨一点，赶出了一份点评。质量很高。但我那天晚上一直在想的不是那份点评，是一个更具体的麻烦：分析师的行业判断框架，存在一个个具体的人脑子里，没有抽象、没有沉淀，谈不上任何飞轮。

这三个月我反复琢磨这件事怎么破。后来答案收敛到两个字：本体。

图谱很热闹，本体很冷清

你去问任何一家头部券商的科技部门”做没做知识图谱”，答案基本都是”有”，而且做得不小。有一家头部券商基于星环科技的分布式图数据库StellarDB搭了企业级知识图谱平台，全球企业关联图谱约3亿个实体、4亿条关系，覆盖集团客户画像、科创板关联发现、投研图谱、反洗钱稽核十几个场景。真跑在生产上的东西。

券商做图谱的热情，被两件事推着走。监管层面，反洗钱要穿透受益所有人，投行要核关联方，都天然是”关系”问题，图谱是趁手工具。数据层面，启信宝这类企业数据服务能提供2亿多家企业的股权、任职、司法数据，接进来就能连成图。

但热闹之下有个角落。我调研下来发现，大量所谓的”知识图谱”停在”连点成线”这一层。把公司、人、持股关系抓进来，连成大网，能查”A和B有没有关系”，能画漂亮的关系图。可一旦你问”这条政策会怎么传导””这家公司盈利能力算强还是弱””这算不算关联方”——图谱就哑火了。

因为这些问题问的不是”点和点之间连没连”，而是”这些点和线到底是什么意思”。而”意思”这层，恰恰是大多数图谱缺失的。

这层就是本体。图谱是长在地上的房子，本体是地底下那副没人看得见的骨架。房子盖得再漂亮，没有骨架，多盖两层就塌。

本体到底是什么

一张普通知识图谱，底层是一堆三元组：（张三，持股，甲公司）、（甲公司，属于，光伏行业）。三元组能存事实，但存不下”规则”和”概念”。它知道张三持有甲公司的股，但不知道”持股超过多少算控股”，不知道”光伏行业的上游是什么”，更不知道”盈利能力”该由哪几个指标算出来。

本体补的就是这一层。用最不玄的话讲：本体=概念+关系+规则，是一套关于”这个领域里有哪些东西、它们之间能发生什么关系、什么样的关系意味着什么”的骨架式定义。

FIBO是金融行业业务本体的全球标准，EDM Council牵头、彭博等机构共建。它做的事情就是把”什么是一只债券””什么是发行人””控股关系怎么定义”这些概念，写成机器能读懂、无歧义的形式化定义。目的只有一个：让同一个词，人和机器、这个部门和那个部门，理解的颗粒度完全对齐。

国内也有人在啃这块硬骨头。熵简做资管知识图谱时发现通用三元组结构根本装不下金融知识，就专门设计了三层：金融实体层（公司、人物、行业、产品这些”东西”）、金融概念层（运营能力、盈利能力、行业驱动因素这些”维度”）、金融事实层（把一段研报文字提炼成的描述性知识）。他们想用层次化的概念组合覆盖90%以上的金融分析需求。这三层就是一副典型的投研本体骨架。

标准层面也在跟上。2025年发布的团体标准《证券期货业图数据库系统技术与功能规范》专门定义了”图本体模式Schema”，列为图数据库逻辑结构核心。国标层面也有《基于文本数据的金融风险防控知识图谱构建技术框架指南》。这些标准的出现说明本体正在从学术讨论变成行业基础设施。

一条政策，如何自己走完从上游到个股

用Leo那个场景，把本体在投研里怎么干活，一步一步走一遍。不是设想，每一步背后都有跑通的技术能力。上市公司用甲、乙、丙、丁指代。

先立骨架

系统能自动读懂多晶硅政策的前提，是它脑子里先得有一副光伏产业链的本体。实体层定义几类”东西”：上市公司、行业板块、产品（多晶硅、硅片、电池片、组件）、原材料、政策、研报、分析师、指标。关系层定义它们之间能发生什么：公司”生产”产品、产品之间有”上下游供应”关系、公司”隶属”行业、公司之间有”竞争”和”股权”关系、政策”影响”某个环节。概念层定义”盈利能力””产能利用率””营收占比”这些要靠指标算出来的维度。

这一步最不性感，却最关键。熵简那句话我很认同：智能=数据+逻辑，数据中台提供数据，本体承载逻辑。没有这副骨架，系统连”多晶硅是光伏上游”这个常识都没有，后面所有”智能”都是空中楼阁。

把政策嚼成结构化信号

政策一到，NLP先上。系统从那份文件里抽三样东西：核心观点、涉及的行业板块、方向（利好还是利空）。这套做法已经有头部券商在投研图谱里跑通了。

光抽取不够，投研要的是因果。这里接大模型推理——有券商把带思维链的大模型融进产业链研究，让模型把”出口收紧→上游供给相对过剩→硅料价格承压→中游成本下降”这样的因果链显性推出来，而不是黑箱给个结论。推理每一步都能看见，这在投研里极重要，因为看不见推理过程的结论，没有分析师敢署名。

在骨架上定位，让影响扩散

抽出来的信号落到本体图谱上。系统先定位政策直接命中的节点——多晶硅这个上游环节，然后沿”上下游供应”关系向下游遍历：多晶硅→硅片→电池片→组件，一层层走。

关键在扩散怎么算。这里用的是产业链传播算法：给命中的节点一个初始影响因子，沿关系边按传播系数向外扩散，越往下游、关系越远，衰减越多。有头部券商实测，这套”政策影响因子×产业链传播系数×图传播算法得到个股因子”的链路，回测相对收益能到25%。

扩散到具体公司节点时，还要用概念层的”营收占比”加权。同样处在中游，甲公司八成营收来自电池片，乙公司只占两成，那同一条传导，甲受到的冲击就该比乙重得多。这一步没有概念层本体是算不出来的——图谱只知道两家都”生产电池片”，分不出轻重。

用方法论框住输出

到这，系统已经有了”谁受影响、影响多大”的初步清单。但投研终点不是一张影响力排序表，是一个有逻辑的判断。

这一步调用被结构化过的分析师方法论。有头部券商把资深分析师的投研框架封装成可复用的”技能”——某位首席”假设—验证—估值—风险”的完整方法论，连同几十万字研报和十几万条数据指标，固化下来做成数字分身，7×24小时响应。在这个场景里，方法论的作用是给大模型立规矩：先摆假设（政策收紧供给），再拿数据验证（各家硅料库存、成本结构），再落到估值影响，最后补风险提示（政策可能松动、需求端不确定）。本体和方法论一起把大模型框在投研的逻辑结构里，不让它天马行空。

交出一份带出处的判断

Leo第二天早上打开电脑，看到的不再是三个窗口和一个凌晨一点的草稿，而是一份结构化点评：

受冲击最大的是上游硅料的甲公司和丙公司，传导路径是出口收紧导致国内供给相对过剩、硅料价格承压，依据是某月供需数据和它们八成以上的硅料营收占比；中游电池片的乙公司边际受益于成本下降但幅度有限；下游组件的丁公司影响中性。每条结论后面挂着研报编号、指标出处和传导路径。

这份东西的价值不在替Leo做了判断，而在把他脑子里那套七八年的行业框架，第一次抽象出来、沉淀成系统能跑、能复用、能追溯的能力。Leo休假那天，这条政策也不会被漏读。

把判断沉淀回骨架

最后一步容易被忽略。Leo对点评做的修正——比如他判断丁公司有海外产能对冲、影响应下调——会被回填进本体图谱，成为新知识。每一次人工修正都在让骨架更聪明。我把这叫投研的知识复利：第一份报告建立在零知识上，第一千份建立在前面九百九十九份的积累上。

骨架之上，还有三个战场

投研是本体最见功力的主线，但不是唯一战场。再点三个。

受益所有人穿透值得多说几句，因为它是把监管规则翻译成机器推理规则最直接的例子。反洗钱开户要按央行235号文和《受益所有人信息管理办法》，穿透到最终自然人。规则很硬：直接或间接持股超过25%即为受益所有人；间接持股要层层穿透、各层比例相乘、多路径求和；股权与表决权按孰高原则取高值。人工穿一个五层嵌套、还带交叉持股的合伙企业，要一两天。用图遍历从目标公司反向走股权路径，对每条路径连乘、对同一自然人的多条路径求和，再做环检测处理循环出资，几秒钟出结果。某公募基金和恒生电子合作的反洗钱尽调项目里，受益所有人查询效率提升60%，人力成本降三成。这里本体的工作就是把235号文那三条判定标准写成机器能执行的规则——不是连点成线，是让线带上判断力。

关联方认定和风险传染可以放在一起说，底层逻辑类似：都是把交易所或业务规则编译成本体规则，然后在图上跑算法。关联方认定的难点在”一致行动人”关系会传递，做一次传递闭包计算就能自动圈出名单。有头部券商还用最短路径分析做科创板关联发现——战略投资者持有的科创板股票不许融券卖出，系统查这两方之间有没有隐蔽的利益关联路径。风险传染这边，用Louvain社区发现挖集团簇，再用个性化PageRank模拟风险随机游走，算每个节点的风险暴露。学术界有用约15万节点、18万关系的A股关联图谱，模拟ST公司实控人变更这类突发事件的传染路径。风险事件一触发，系统沿客户谱系自动找到成员企业和相关持仓，直接生成报告推给业务方。

四个战场——投研、反洗钱、关联方、风险传染——底下是同一副骨架的不同侧面。一处投入、多处复用，这才是中台价值。

大模型来了，本体从配角变主角

如果这篇文章两年前写，本体大概只能算锦上添花。大模型的到来把它推到了主角位置。

原因是大模型有个改不掉的毛病：会一本正经地胡说。你问它某公司实控人是谁，它可能给你编一个看起来很像真的名字。闲聊里无所谓，投研和合规里是灾难——一个编造的关联关系，可能让投行核查结论出大错。

本体恰好治这个病。它给大模型提供一个事实和概念的骨架，让模型每一句话都落在骨架上、有据可查，而不是凭概率蹦词。图数据库厂商FalkorDB报告，用知识图谱给大模型做支撑，相比传统向量检索RAG，幻觉降低约90%。金融领域有FinReflectKG这类针对财报做图谱抽取、评测大模型幻觉的基准。学术界的OntoTune用本体来对齐大模型。方向一致：金融知识里该定调的东西必须先定调，不能让模型自己拼凑。本体就是投研知识的定调层。

清醒的代价

但得说实话，本体落地远没有概念干净。

最大的坎是本体设计本身。图谱可以靠数据商的数据快速堆起来，买一份企业数据接进来就能连成图。本体不行。一副好的投研本体需要既懂产业链、又懂图谱建模的人，坐下来一个概念一个概念抠定义、一条规则一条规则写。这种人在市场上极稀缺。我见过几个项目都死在这一步——图数据库买的是市面上最好的，钱花了不少，但找不到能把行业逻辑翻译成本体的人，最后又退回”连点成线”的老路。这个问题本质上是人才结构问题：懂金融业务的人通常不碰技术，懂技术的人摸不到业务逻辑的颗粒度，能横跨两边还能耐着性子抠概念的人，整个行业屈指可数。就算找到了，留不留得住也是个问题——这种人放在哪里都是稀缺资源，往往被更急的业务线抢走。

其他几个坎可以短一些。口径治理是组织成本：合规部、投研部、投行部要坐下来对齐统一定义，谁拍板”盈利能力”由哪几个指标算，谁维护”关联方”认定规则随监管更新，没有跨部门治理机制，本体建成第二天就开始腐坏。维护滞后也类似，产业链在变，监管规则在变，本体不跟着变，几个月就沦为另一个”过期图谱”，需要一条持续更新流水线，规则类的本体尤其如此——235号文改一个字，穿透逻辑就得跟着改。而且每次变更最好经过人工复核，金融口径不是算法说了算。

至于投入产出比，我的判断偏保守。投研本体的MVP，选一两条重点产业链先打透，团队至少要一名懂产业的投研专家、一名图谱工程师、一名产品经理居中拉通。别指望半年降本增效，回正周期18到24个月更接近真实。本体收益是复利式的，前期爬坡慢，越到后面越快，但得熬过前面那段看不到明显回报的日子。

最后

我离开那家研究所前，他们上线了一套投研辅助系统，还很初级。Leo后来跟我说，又一条类似的政策出来时，他没再熬到凌晨——系统先跑了一版传导分析，他改了个把小时就发了。他随口说了句：以前那套框架只在他脑子里，带个徒弟要三年；现在框架进了系统，新人第一天就能站上去，再往上叠自己的东西。

我记住了这句话。但不打算把它说成什么”革命”或者”范式转变”。它只是说明了一件事：证券行业追了这么多年知识图谱，画了无数张漂亮的关系网，可真正让行业知识”有据可依、可传可复用”的，从来不是那些看得见的连线，而是连线底下那副没人愿意碰的骨架。费力，难邀功，但它在那里。