Palantir 平台总览 · 学习笔记
平台总览 Platform overview
Palantir AIP 在全球最关键的商业与政府场景中，驱动实时、AI 辅助的决策。从公共卫生到电池生产，各类组织依靠 Palantir 在企业中安全、可靠、有效地运用 AI，并推动运营成果落地。
简而言之，Palantir AIP 把生成式 AI 与运营连接起来。它与 Palantir 的数据运营平台 Foundry、以及自主软件部署的"任务控制中心"Apollo 一起，构成一个 AI Mesh，能够交付全谱系的 AI 驱动产品：从基于 LLM 的 Web 应用，到使用视觉-语言模型的移动应用，再到嵌入本地化 AI 的边缘应用。我们把这整套能力、功能与工具称为 Palantir 平台（the Palantir platform）。
在用 Palantir 平台取得并扩大运营影响的过程中，有许多因素共同起作用——包括 AIP Bootcamps（客户亲手实操、几小时内就能用 AI 取得成果的训练营）——但关键的差异化因素是一套围绕 Palantir Ontology（本体）构建的软件架构。
本体 The Ontology
Ontology 的设计目标是表示企业中的"决策"，而不仅仅是表示数据。世界上每个组织都面临同一个挑战：如何在内外部条件不断波动的情况下，常常还需要实时地，执行尽可能好的决策。
这些决策过程的复杂性被映射进 Ontology 中，它与现有企业系统实现深度的双向互操作。Ontology 自动把相关的数据、逻辑与动作组件整合进一个现代化的、AI 可访问的计算环境。这不仅解锁了常规的商业智能与分析工作流，更解锁了带 AI 协作（AI teaming）模式的运营类应用的快速开发。
决策组件 Decision components
每一个决策都可以拆分为数据（data）、逻辑（logic）和动作（actions）三个组件：
- 数据（Data）：关于世界和我们的运营，有哪些构成该决策上下文的相关事实或真相？
- 逻辑（Logic）：哪些组织规则或业务规则充当该决策的护栏？在不同假设下，各种结果的概率是多少？在以前类似的情形中我们做了什么、结果如何？我们的预测与优化模型给出了什么输入？
- 动作（Actions）：该决策的"动力学"（kinetics）或效应是什么——即决策如何在现实世界中显现？我们如何减少、乃至消弭"在 AIP 中做出决策"与"在生产环境中影响结果"之间的步骤？
在 Palantir 平台中，所有这些组件的设计都着眼于促成 AI 协作（AI teaming）模式，从而充分释放你的运营人员、分析师与领域专家的潜力。
数据 Data
Ontology 把数据整合为对象（objects）与链接（links），让运营的真实世界复杂性对人和 AI 都可理解。这解锁了构建人 + AI 协作（Human + AI teaming）工作流的能力。
Ontology 原生支持广泛的数据类型，以及若干扩展原语：例如用于解锁非结构化数据的语义搜索、用于处理图像与视频的媒体引用（media references），以及为数据嵌入额外约束与上下文的值类型（value types）。这些都是 AI 工作流开发的数据构件，下文逻辑与动作两节会进一步展开。
这一数据模型驱动了开箱即用的应用，用于探索结构化、非结构化、地理空间、时序、模拟仿真等数据形态。这些基础工具还配有具备上下文感知能力的 AIP Assist，能显著缩短在平台中探索与分析数据的价值实现时间。
除应用构建与分析之外，在 Ontology 中对数据建模还会自动创建一个健壮的 API 网关与 Ontology 软件开发工具包（OSDK），作为贯穿整个企业的"运营总线"（operational bus）。
数据连接 Data connectivity
数据很少以干净、正确、形态良好到足以准确可靠地向决策者呈现真相的格式到来。为此，Palantir 平台提供可扩展的多模态数据连接与集成框架，开箱即可对接企业数据系统。
Pipeline Builder 把 LLM 数据转换能力封装成点选式工具，可以轻松使用最新的 LLM 来驱动基于管道的转换，例如分类、情感分析、摘要、实体抽取或翻译。这为在 Ontology 中自动创建"提案（proposals）"供操作员审阅与批准铺平了道路，而不必每次都实时调用模型产生延迟。（注意，如下文逻辑一节所讨论的，这两种与模型交互的方式高度互补。）
此外，Pipeline Builder 和代码仓库（Code Repositories）中的 AIP Assist 为数据工程提供了一个 AI 搭档：它不仅能访问 Palantir 文档和通用代码片段仓库，还深度集成在平台前端中，可以建议下一步操作或相关教程。
逻辑 Logic
如果说数据定义了我们决策的上下文，那么逻辑就封装了充实这些上下文的推理与分析，使人 + AI 团队能做出更好的决策。它可以作为模型输出与可视化的附加上下文呈现在运营应用之内，也可以直接烘焙进某个 Action 的机制中。
鉴于这个宽泛的定义，定义与执行逻辑的能力贯穿平台各处；例如，让我们考虑模型、业务逻辑和模板化分析与报告三个方面。
模型 Models
生成式 AI、LLM、预测、优化器等。
LLM 或预测这类模型接收参数并输出结果，作为当前决策的上下文。数据科学家很熟悉这样的循环：这些模型往往要经历迭代式的训练与精修；然而，把这些模型用作生产环境中的运营工作流可能是个挑战。Palantir 的建模能力可以促成模型的运营化部署。
在 Palantir 平台中，模型的完整生命周期被记录为一个建模范式（modeling objective），模型本身的逻辑则由模型适配器（model adapter）抽象。这意味着：无论是在平台内训练、自带容器、还是上传预训练模型，各种模型都可以通过 Functions 绑定到 Ontology，嵌入运营应用进行实时交互，也可以配置为批处理部署、在数据管道中调度执行。
专门针对生成式 AI，Palantir 的语言模型服务（Language Model Service）为多模态交互提供统一接口，同时屏蔽具体模型与供应商的实现细节，让跨商用 LLM 格局的开发变得简单。为进一步改善效果，Palantir 的 Evaluations 评测工具可以随时间与跨模型地对 LLM 表现做基准测试，监控漂移，从而有把握地进行变更。
业务逻辑 Business logic
业务规则、流程映射、语义搜索。
建模方法走的是"自下而上"、基于数据训练的路子，而业务逻辑通常是"自上而下"，基于治理某个运营领域的显式或隐式规则。这些规则可能住在外部系统中，Palantir 可以直接与之连接：用 External Functions 和 Webhooks 在运营工作流中实时交互，或通过 External Transforms 实现管道连接。业务逻辑也可以直接在 Palantir 平台内编写：用 Rules 和 Pipeline Builder 承载数据管道中的逻辑，用 Automate 和 Functions 承载实时执行的逻辑。
模板化分析与报告 Templated analyses and reports
对象视图、分析模板、生成的报告。
逻辑并不只存在于数据科学模型或硬编码的业务规则中；分析师常常在一次性调查、分析或报告中捕捉和积累高价值的逻辑。在 Palantir 平台中，你可以用 Contour、Quiver 这类点选式分析工具，以及 Code Workspaces 这类 Notebook，来构建分析与仪表盘。Ontology 数据模型的语义让这些分析产品很容易被模板化并复用——无论嵌入在 Object Views 或 Workshop 应用中，还是作为独立仪表盘呈现。这些对象视图、模板化分析与仪表盘可以插进运营应用，提供一目了然、引导决策的洞见，同时为进一步的即席探索留出通道。
这三面逻辑——模型、业务逻辑、模板化分析与报告——合起来构成一个工具包或调色板，用户可以从中混搭，在关键时刻为决策者提供所需的全部上下文。
动作 Actions
任何决策要产生影响，就必须传播到世界中。这就是 Actions 定义企业的"动词"——所做的事情——的地方，并控制人和 AI agent 如何确保自己的决策被持久化，无论是在 Ontology 数据模型内部，还是通过与外部系统的交互。此外，把决策结果记录在 Ontology 中，可以让用户把某个特定决策与未来数据中对结果的观察配对。这形成了反馈回路：把未来的决策置于过去选择的上下文中，可用于重训练或微调模型，也可以只是给运营人员一幅更清晰的过去图景。
在 Ontology 中表示这些"动力学"的原子单元是 Action，它为变更或创建数据、以及编排外部系统中的变更，提供具体而细粒度的控制。基础 Action 用点选式表单配置界面即可简单定义；任意复杂度的 Action 可以用 Function-backed Actions 和 Ontology Edits Typescript API 来指定。Action 也可以打包进 Ontology 软件开发工具包（OSDK）和平台 API 中，让自定义应用开发与现有第三方工具能容易且安全地回写 Ontology。
每个 Action 的权限决定了哪个用户或 agent、在什么条件下可以执行该 Action——这是在最低层为安全、可审计、透明的控制打下的基础。
在供应链或生产车间这类复杂、紧耦合的环境中，一个微小的变更可能引发连锁效应，带来意料之外或非预期的后果。Scenario（场景）原语让用户可以投射这些后果：在 Ontology 的一个分支上做变更，实际上创建了一个"沙盘宇宙"，预测、业务流程模型和其他分析可以在这个（潜在变更及其下游的）分支上进行。Vertex 应用专精这类流程可视化与场景测试；Workshop 应用构建器原生支持场景，用于开发包含"What if..."工作流的运营应用。
这些原语为在生产工作流中运作的人 + AI 团队的安全开发创造了环境。Action 带来的细粒度权限与访问控制提供了一个"控制平面"，agent 被圈定在其中，对其可用的数据与工具有具体限制。在大多数模式中，AI agent 不直接做变更，而是创建提案（proposals）：要么通过 Workshop 中与 AIP Logic 函数的集成同步创建，要么通过 Automate 或 Pipeline Builder 的 Use LLM 节点异步创建。由此产生的提案再呈交给操作员进行精修、反馈并作出决策。这种基于提案的模式在强化"人在环（human in the loop）"范式的同时，也产生了宝贵的元数据，使 Agent 能在一个正向循环中随着持续反馈学习与进化。
下一步 What's next?
体验 AIP 威力的最佳方式是开始构建。阅读入门指南了解更多信息；如果你已能访问平台，也可以直接问 AIP Assist，根据你的目标该从哪里入手。
关于各平台决策组件如何交互以引导工作流开发的细节，可参阅提炼功能需求的讨论（见用例开发一节），或在 AIP Now 案例库 ↗ 中查看特定行业的端到端工作流示例。
此外，你还可以进一步了解 AIP 的构建方式，以及它如何与组织中已有的投入集成：
平台能力 Platform capabilities
文档的其余部分按一组平台能力（platform capabilities）组织。各能力的概要如下：
- 数据连接与集成（Data connectivity & integration）
- 模型连接与开发（Model connectivity & development）
- 本体构建（Ontology building）
- 用例开发（Use case development）
- 分析（Analytics）
- 产品交付（Product delivery）
- 安全与治理（Security & governance）
数据连接与集成 Data connectivity & integration
Palantir 提供可扩展的多模态数据连接框架，开箱即可对接企业数据系统，并提供：
- 对现有数据湖与平台的就地（in-place）、零拷贝访问；
- 基于 Kubernetes 的自动扩缩构建系统，同时适用于批处理与流式管道；
- 集成的管道调度与编排；
- 所有数据流的原生健康检查；
- 覆盖角色、密级与用途访问控制的综合安全功能。
模型连接与开发 Model connectivity & development
Palantir 提供集成化、端到端的模型开发环境（如 Python 与 R）；对使用行业标准工具构建的外部模型进行灵活集成；为所有开发或集成的模型提供受治理的投产路径；以及一个对已部署模型持续评测的"任务控制中心"。其架构目标是：为企业中所有的业务逻辑与建模提供连接路径，无论该资产在何处训练、测试和/或托管。
本体构建 Ontology building
如上所述，为创建企业全面的、以决策为中心的模型，Ontology 整合了：
- 数据（Data），以对象（objects）与链接（links）的形式；
- 逻辑（Logic），以模型（models）与函数（functions）的形式；
- 动作（Actions），以平台动作（actions）的形式。
这些 Ontology 构件让运营的真实世界复杂性对操作人员和 AI 都可理解，解锁构建混合人机工作流的能力。其他能力还包括：
- 把终端用户的数据结构化地捕获回语义基础的机制；
- 以结构化、非结构化、地理空间、时序、模拟仿真等范式探索 Ontology 的开箱即用应用；
- Ontology 软件开发工具包（OSDK），把 Ontology 用作企业各部分的"运营总线"。
用例开发 Use case development
Palantir 的应用开发框架使企业能够构建运营工作流、开发用例，与能使用工具、感知数据的 AIP Chatbot 协作，利用用户操作、告警与其他一线终端用户功能。用例开发能力包括：
- 与 AIP Logic 集成，构建自定义工作流 agent；
- AI 辅助的低代码/无代码应用构建，自动完成安全策略执行以及底层存储、计算、数据与模型绑定的管理；
- 带实时预览的应用开发框架；
- API、Webhook 及其他接口，实现与企业的全谱系集成。
分析 Analytics
平台为每一类用户——无论会不会写代码——提供分析能力。能力同时包含点选式与基于代码的工具，支持表格分析、自顶向下可视化分析、地理空间分析、时序分析、场景模拟等。
Palantir 的分析套件超越了传统的"只读"范式，可以把数据写回 Ontology，在统一的安全、血缘与治理模型中产生有价值的新洞见。
平台还与常见建模环境互操作（通过 Code Workspaces 原生支持 JupyterLab® 与 RStudio® Workbench），并与商业智能平台互通（包括 专用连接器，用于 Tableau® 与 PowerBI®）。
产品交付 Product delivery
Palantir 平台提供 DevOps 工具，用于打包、部署和维护平台内构建的数据产品。产品交付能力包括：打包界面，用于创建由平台资源集合（管道、Ontology、应用、模型等）构成的"产品"；用于产品发现与安装的 Marketplace 商店；以及管理产品安装的能力，支持自动升级、维护窗口等。
安全与治理 Security & governance
Palantir 平台具备全面的、业界领先的安全模型，横跨整个平台传播，并且默认随信息所至而随行。能力包括：
- 所有数据的加密，无论传输中还是静止状态；
- 身份保护与认证控制；
- 可融合角色驱动、密级（marking）驱动与用途驱动范式的授权控制；
- 健壮的安全审计日志；
- 高度可扩展的信息治理、管理与隐私控制。
管理与赋能 Management & enablement
平台管理员可以使用一套健壮的工具来管理 Palantir 平台。平台管理的核心应用包括：
平台管理员与项目经理还可以使用促进用户赋能的资源，例如 AIP Assist。这些资源在管理与赋能（management & enablement）文档中描述。
笔记整理：2026-09-16 · 来源：Palantir Foundry Docs — Platform overview