企業的 AI Agent 上線了，回答看起來頭頭是道。但當財務主管發現數字多了 2,500 萬、供應鏈主管依據「有替代方案」的建議放心等待，結果斷料停線時，大家才意識到：AI 答錯的時候，比不回答更危險。

根源在於 AI 缺少一顆「企業大腦」。業務指標怎麼算、哪些資料要排除、什麼狀態代表什麼意思，這些知識只活在資深員工和散落的文件中，模型從未學過。

本議程展示如何用 Knowledge Graph 為 AI Agent 建立語意層(Semantic Layer)，讓它在回答問題前先查詢業務規則，像資深同事一樣理解脈絡再行動。議程含完整 live demo，以金融業和製造業兩個場景，直接對比有/沒有語意層時，同一個問題產出的結果差異。

聽眾收穫：

搞清楚 Semantic Layer、Ontology、Knowledge Graph 各自是什麼、彼此的關係，以及在 AI 架構中扮演的角色

一個可立即套用的架構 pattern：如何在 AI Agent 和資料庫之間加入語意層

清楚理解 RAG vs Knowledge Graph 的適用場景差異

建構語意層的具體步驟：從哪裡開始、需要誰參與、怎麼維護

評估自己的場景是否適合這個做法的判斷框架