第六课：Foundry 到底是什么？

本章图和配置片段用于建立平台心智模型；具体界面、可用能力与配置方式以当前 Foundry 环境和英文官方文档为准。

前五课主要站在 Ontology 内部看问题。

这一课把视角拉远，回答：

Ontology 在 Foundry 中处于什么位置？数据怎样从企业系统一路变成业务应用？

先记住一张总图：

flowchart LR
    Sources["外部系统<br/>ERP / CRM / IoT / 文件"] --> Connection["Data Connection<br/>连接与同步"]
    Connection --> Raw["Raw Datasets<br/>原始数据集"]
    Raw --> Pipeline["Pipeline<br/>清洗、转换、关联"]
    Pipeline --> Curated["Curated Datasets<br/>可信数据集"]
    Curated --> Ontology["Ontology<br/>业务对象、关系、逻辑、操作"]
    Ontology --> Apps["应用、分析、API、AI"]
    Apps --> Actions["Actions<br/>业务决定"]
    Actions --> Ontology
    Actions --> Sources

Foundry 不是一个数据库，也不只是 ETL 工具。

最直白地说：

Foundry 是把企业数据连接、加工、治理、建模并投入日常运营的平台；Ontology 是它面向现实业务的操作层。

Palantir 官方把 Foundry 中的数据分为数据层和对象层：数据层保存 Dataset，对象层就是 Ontology。Foundry 入门概念

1. 用工厂物流理解 Foundry

可以把 Foundry 想成一座物流中心：

Data Connection   = 收货入口
Dataset           = 仓库中的标准货箱
Pipeline          = 分拣、清洗和组装流水线
Data Lineage      = 每件货物的来源与加工记录
Ontology          = 按业务含义组织好的商品世界
Applications      = 业务人员使用的工作台
Actions           = 发货、调度、批准等操作
Security          = 每个区域和动作的门禁

这个比喻的关键是：

数据进入 Foundry 后并没有立刻成为 Ontology。
它先以 Dataset 存在，再经过可追踪的加工，最后映射为业务对象。

2. 第一站：Data Connection

企业数据可能来自：

关系数据库
ERP、CRM、MES、CMMS
S3、HDFS、SFTP
API
IoT 流
CSV、Excel、JSON、XML
图片、视频、PDF
另一个 Foundry 环境

Data Connection 的工作是把这些数据可靠地同步进 Foundry。

它主要负责：

如何连接源系统
怎样认证
全量还是增量同步
批处理还是流式同步
多久同步一次
同步失败怎样重试
如何监控数据是否按时到达

它不应该承担大量复杂业务清洗。

官方建议尽量按原始形态接入数据，让数据的所有变化在 Foundry 内部受版本和血缘管理。Data Connection 官方概览

例如：

外部 CMMS 数据库
  maintenance_work_orders 表
          ↓ Data Connection
Foundry
  raw_cmms_work_orders Dataset

这里的 raw_cmms_work_orders 仍然代表源系统记录，不是 WorkOrder Object。

3. 第二站：Dataset

Dataset 是 Foundry 数据层最基本的数据表示。

它可以包含：

结构化数据      表格、行、列
半结构化数据    JSON、XML
非结构化数据    PDF、图片、视频、邮件

Dataset 不只是一个静态 CSV 文件。

它还带有：

Schema
权限
版本
更新事务
分支
数据质量与构建信息
血缘

官方文档把 Dataset 描述为数据从进入 Foundry 到映射进 Ontology 期间最基本的表示形式。Dataset 核心概念

Raw Dataset 和 Curated Dataset

可以简单分成两类：

Raw Dataset
  尽量忠实保存源系统数据
  方便追踪和重新加工

Curated Dataset
  已清洗、标准化、去重和关联
  适合分析、模型或 Ontology 使用

例如：

raw_equipment
raw_sensor_registry
raw_work_orders
        ↓
curated_equipment
curated_sensor
curated_work_order

4. 第三站：Pipeline

Pipeline 是数据加工过程。

典型工作包括：

重命名列
转换数据类型
去除无效记录
处理空值
去重
Join 多个数据集
计算派生字段
统一单位和编码
执行数据质量检查
生成适合 Ontology 的输出

可以用两种主要方式建立 Pipeline：

Pipeline Builder   点选式、低代码方式
Code Repositories  使用代码实现复杂转换

Pipeline Builder 能输出 Dataset，也能直接输出 Object Type、Link Type 和时间序列等 Ontology 组件。Pipeline Builder 输出

一个简单 Pipeline

原始设备数据：

经过转换：

asset_no    → equipment_id
asset_nm    → display_name
site_cd     → site_id
active_flg  → operational_status

输出：

这张输出表已经更接近业务语言，可以支持 Equipment Object Type。

Pipeline 和 Function 不一样

Pipeline
  适合批量或流式处理大量数据
  产生新的 Dataset 或 Ontology 输出
  通常按计划或数据到达触发

Function
  适合应用中的快速业务计算
  接收参数并返回结果
  可以读取 Object、遍历 Link 或支持 Action

5. Data Lineage：数据的来龙去脉

假设用户看到：

PUMP-101.latestRiskLevel = HIGH

他可能会问：

这个值来自哪个系统？
用了哪些原始字段？
经过了哪些转换？
由哪个模型产生？
最后一次更新时间是什么？
上游数据失败会影响哪些应用？

Data Lineage 用来回答这些问题。

flowchart LR
    IoT["IoT 原始流"] --> Features["传感器特征 Dataset"]
    Maintenance["维修历史"] --> Features
    Features --> Model["故障模型输出"]
    Model --> Equipment["Equipment.latestRiskLevel"]
    Equipment --> App["维护应用"]

Foundry 会记录输入、输出和生成数据的转换逻辑；Data Lineage 可以查看 Dataset 的上下游、Schema、构建时间和生成代码。Data Lineage 官方概览

最简单的理解：

Ontology 告诉用户一个业务事实是什么意思；Lineage 告诉用户这个事实从哪里来。

6. 第四站：Ontology

数据准备好后，把它映射为业务概念：

curated_equipment 的每一行
    ↓
一个 Equipment Object

equipment_id
    ↓
Object 主键

display_name、status
    ↓
Properties

site_id 与 Site.siteId 匹配
    ↓
EquipmentLocatedAtSite Link

Ontology 的工作不只是把列改名。

它还加入：

业务名称和描述
对象身份
真实关系
Functions
Actions
模型
安全与治理

Palantir 将 Ontology 定义为位于 Dataset、Virtual Table 和模型之上的组织操作层。Ontology 官方概览

Ontology Manager

Ontology Manager 是设计和管理 Ontology 的主要界面。

它用于：

创建和编辑 Object Type
映射 Property
配置主键和标题键
创建 Link Type
管理 Action Type
查看 Function
管理 Interface、Shared Property 和类型组
查看数据源、索引和安全配置
保存、审查和治理变更

注意：Ontology Manager 是管理工具；Ontology 本身是被整个 Foundry 平台使用的运行系统。

7. 第五站：应用和分析

同一个 Ontology 可以被多种工具使用：

Object Explorer   搜索和浏览业务对象
Object View       查看一个对象的完整业务页面
Insight / Quiver  分析对象集和关系
Workshop          构建业务操作应用
Vertex            图分析、系统建模和模拟
Map               地理空间工作流
OSDK / API        构建外部或定制应用
AIP / Agents      让 AI 在受控工具范围内读取和执行

这意味着不需要为每个应用重新解释一次数据：

Equipment 的名称、状态、风险和 Links
在所有 Ontology-aware 应用中具有相同含义。

CreateMaintenanceWorkOrder Action
在多个应用中执行同一套验证和写入逻辑。

8. 数据怎样写回现实系统？

Foundry 不只是单向读取。

例如工程师在 Workshop 中执行：

CreateMaintenanceWorkOrder

可能产生：

在 Ontology 中创建 WorkOrder
建立 WorkOrder → Equipment Link
通知维修主管
通过 Webhook 或 API 写入 CMMS
记录 Action Log

因此形成：

flowchart LR
    Source["CMMS / IoT / ERP"] --> Foundry["Foundry 数据层"]
    Foundry --> Ontology
    Ontology --> App["业务应用"]
    App --> Action
    Action --> Ontology
    Action --> Source

这就是闭环运营，而不是只读分析。

9. Project、Resource 和权限边界

在 Foundry 中，创建的 Dataset、Pipeline、代码库和应用等都属于 Resource。

Project 用来组织：

人员
资源
文件夹
访问权限
共同业务目标

简单理解：

Project 是协作和安全空间
Resource 是空间里的具体资产
Ontology 把多个资源连接成业务运行层

项目不是 Ontology 的业务 Object Type。

例如 Foundry Project Predictive Maintenance 是协作空间，而 WorkOrder 是现实业务对象类型。

10. Foundry、Ontology、AIP 和 Apollo

最简单的区分：

Foundry
  连接、加工、管理并运营企业数据

Ontology
  把数据、逻辑和操作组织为企业业务世界

AIP
  把大模型、AI 工作流和 Agent 安全地连接到 Ontology 与运营

Apollo
  负责软件在不同基础设施环境中的持续部署和运行管理

学习 Ontology 时，主要关注 Foundry 和 AIP；Apollo 暂时知道它负责软件交付即可。

11. 从 PUMP-101 看完整路径

1. IoT 平台产生温度与振动数据
2. Data Connection 将数据同步或流入 Foundry
3. 原始数据进入 Raw Dataset
4. Pipeline 清洗时间、单位和传感器标识
5. 规则和模型计算异常与故障风险
6. 输出映射为 Sensor、Anomaly、FailurePrediction
7. Ontology 将它们连接到 Equipment PUMP-101
8. Workshop 应用展示风险和维修建议
9. 工程师通过 Action 创建工单
10. 工单写回 CMMS
11. 维修结果进入 Dataset 和 Ontology
12. 模型使用结果继续评估和改进

每一层的责任不同：

12. 常见误解

误解一：Foundry 就是一个数据仓库

Foundry 可以管理数据，但还集成了数据连接、版本、血缘、模型、Ontology、应用和操作工作流。

误解二：Pipeline 就是 Ontology

Pipeline 负责加工数据；Ontology 负责表达现实业务概念并支持运营。

误解三：把 Dataset 映射成 Object 就完成了

真正可用的 Ontology 还需要清晰语义、Links、Functions、Actions、安全和应用工作流。

误解四：Foundry 只读取其他系统

Foundry 可以通过 Actions、Webhook、导出和 API 将经过治理的决定写回外部系统。

误解五：Ontology 替代所有源系统

Ontology 可以成为统一操作层，但 ERP、CRM、CMMS 等系统仍可继续承担各自的交易和记录职责。

13. 一分钟自测

把下面内容放到正确位置：

1. 从 SAP 每小时同步订单
2. 保存刚进入 Foundry 的订单表
3. 清洗金额并关联客户主数据
4. 查看订单字段的来源与下游影响
5. 把订单行映射为 Order Object
6. 构建订单处理页面
7. 用户批准订单并写回 SAP

1. Data Connection
2. Raw Dataset
3. Pipeline
4. Data Lineage
5. Ontology
6. Workshop 或自定义应用
7. Action 与外部系统写回

14. 本课结论

Foundry 的主线可以浓缩为：

连接数据
    ↓
以 Dataset 保存
    ↓
通过 Pipeline 加工
    ↓
使用 Lineage 保留来龙去脉
    ↓
映射到 Ontology 的业务世界
    ↓
供应用、分析、API 和 AI 使用
    ↓
通过 Action 把决定写回

最值得记住的一句话是：

Dataset 让数据可靠存在，Pipeline 让数据变得可用，Ontology 让数据具有业务含义并能够进入运营。

下一课深入最容易产生疑问的一步：一行 Dataset 究竟怎样成为 Object，主键、索引、多数据源、Links 和用户编辑又是怎样工作的。

独立练习：追踪一条数据

为 PUMP-101.latestRiskLevel 写出一条完整血缘：源系统字段、Raw Dataset、转换规则、Curated Dataset、模型版本、Ontology Property 和消费它的应用。再指出其中任何一步失败时，用户应该在哪里看到状态。