Уже сейчас Онто агенты прекрасно работают на очень слабых моделях. Очень здорово что подтверждаются наши гипотезы о том что масштаб знания нужно уменьшать, а не генерить бессмысленные статьи из текста.

🏠 Как мы мучились с оцифровкой дома, но довели до ума

Я как-то рассказывал уже что Онто использую и в личных проектах: например "оцифровал" стройку дома. И вот как это происходило 👇

Начали мы с кипы документов: архитектурный проект, дизайн, обмерные планы. Казалось бы — бери площади и заноси. Но не тут-то было 🙃

Шаг 1. Завели структуру
Сначала в Онто создали сам дом → этажи → помещения. Спасибо ChatGPT, который сразу предложил шаблоны: жилое помещение, с/у, зона отдыха и т.д.

Шаг 2. Первые квадраты
Прописали площади. И тут сразу сюрпризы: в одном документе спортзал был 11,4 м², а в другом — 14,86 м². Мастерская тоже «гуляла».

Шаг 3. Сверка по документам
Начали таскать таблицы из обмерных планов и сравнивать с тем, что уже внесли. Разница по этажу доходила до 10+ квадратов 😳

Шаг 4. Детектив по комнатам
Оказалось, что у нас в модели есть лишние комнаты (кладовая, холл), которых в плане не было. А вот «Игровая» наоборот была в документах, но отсутствовала в Онто. Пришлось добавлять!

Шаг 5. Исправления
Площадь санузлов тоже не совпадала: в Онто стояли одни цифры, в проекте — другие. С OntoAI поправили всё, шаг за шагом.

Шаг 6. Победа ✨
В итоге мы всё свели:
• Этаж 1 = 125,7 м²
• Этаж 2 = 103,4 м²
• Общая площадь = 229,1 м²

Теперь есть аккуратная цифровая модель, где всё прозрачно: дом → этаж → комнаты → площади. На очереди регистрация задач в контекстах помещений.

🔥 Вывод: без Онто и OntoAI с ChatGPT мы бы утонули в противоречивых бумагах. А так — да, помучались, но зато теперь всё красиво в цифре, и можно гордо сказать: «Дом оцифрован»

первым аттачем в чате будет демонстрация. Посмотрите скрины нашего с чатом мучения при сведении многих документов. Но результат того стоил.

👩‍💼 Бизнес: «У нас есть функция — подключать абонентов.»
👨‍💻 Архитектор: «Ага, и вот тут C4, контейнеры, компоненты…»
🤯 Все остальные: «А как это вообще связано?»

Мы готовим статью, которая покажет, что связать карту capabilities и C4 реально можно — через карту контекстов.

Контекст = кто, где и как выполняет функцию. Дальше всё выстраивается само: capability → приложение → компоненты.

📌 Цитата:
«Контекст — это мостик: он объясняет, как бизнес-функция оживает в конкретных условиях и превращается в архитектуру.»

🔥 В учебном центре Онто вышла новая статья:
«Онто-методология: от бизнес-функций и контекстов исполнения к C4-диаграммам»

📌 О чём статья?
Мы показываем, как карта контекстов (ситуаций: например, ИП мы услугу продаём одним способом, а РЖД — совершенно другим) может быть связана с архитектурными C4-диаграммами через capability map.
Это способ наглядно перейти от языка бизнеса к языку архитектуры — без потери смысла и с чёткой прослеживаемостью.

💡 Зачем я её написал?
• Это не теория «как правильно по ArchiMate», а рабочий опыт, проверенный в топовом банке. Такой подход позволил сократить время на встречи и согласования в 4–6 раз.
• Я беру не «мастхев-нотации», а то, что экономически оправдано и реально помогает. Здесь C4 — фаворит, потому что в него можно входить без подготовки.
• Главная цель — слышать бизнес и говорить с ним на одном языке. Понимать их лексикон, видеть их ситуации и предлагать решения, а не просто схемы ради схем.

📖 Читайте статью:
https://ontonet.ru/tpost/ckphtrreg1-onto-metodologiya-ot-biznes-funktsii-i-k

Сделали блог для сборки всех материалов которые мы публикуем в канале. Он доступен в центре обучения Онто (https://ontonet.ru/learning) внизу главного раздела блок "наши публикации". Туда же ссылки на видео соберем.

Коллеги, доброе утро

⚠️ при конфигурации MCP сервера для онто рекомендую вместо "cwd" использовать "PYTHONPATH"

Пример конфигурации

{
"mcpServers": {
"onto-mcp-server": {
"command": "python.exe",
"args": [
"-m",
"onto_mcp.server"
],
"env": {
"PYTHONPATH": "D:\\git\\onto\\mcp",
"KEYCLOAK_BASE_URL": "https://app.ontonet.ru",
"KEYCLOAK_REALM": "onto",
"KEYCLOAK_CLIENT_ID": "frontend-prod",
"KEYCLOAK_CLIENT_SECRET": "",
"MCP_TRANSPORT": "stdio",
"ONTO_API_BASE": "https://app.ontonet.ru/api/v2/core"
}
}
}
}

⚠️⚠️⚠️⚠️

Сегодня вечером на платформе запланированы технические работы
Сервис будет недоступен некоторое время (ориентировочно с 18:00 до 24:00). Просим прощения за неудобство

⚠️⚠️⚠️⚠️

🚥 Здоровье пространства знания в Онто

В Онто появился механизм оценки качества пространства — первый шаг к полноценному мониторингу "здоровья" живого графа знаний.

Мы интегрировали BI-аналитику прямо в онтологический граф: теперь можно визуализировать и отслеживать метрики качества шаблонов, связей, тегов, диаграмм, полей, объектов и их наполненности.

💡 Функция доступнаd в том числе и агентам ОнтоAI, так и через MCP — можно забирать данные напрямую в инструменты совместимые с MCP протоколом.

☁️ Важно:
• На SaaS-платформе (https://ontonet.ru) доступ будет ограничен.
• В private cloud и on-premise установках никаких ограничений — аналитика полностью в ваших руках.

📊 Превратите граф знаний в измеримую систему.
📈 Контролируйте рост, сложность и связность вашей модели.
🤖 Давайте знаниям возможность самооценки.

📝 Почему бизнес-моделирование становится обязательным навыком? Данные ВЭФ за 2025 год

Коллеги, в начале этого года Всемирный экономический форум (ВЭФ) опубликовал отчет «Future of Jobs 2025». Это результат масштабного исследования ведущих работодателей по всему миру, которые представляют более 14 миллионов сотрудников. Изучив данные, мы обнаружили, что ключевые тренды рынка труда идеально совпадают с принципами, которые лежат в основе нашего продукта.

Компании мира массово развивают моделирование бизнеса. Из чего это видно?

Работодатели обозначили навыки, которые будут определять успех сотрудников в ближайшие годы. Это те направления, в которые крупнейшие корпорации мира вкладывают свои силы и средства.

На изображении приведены ТОП-26 навыков. Мы обращаем внимание на 4 из них (выделили их зелеными точками):

— Аналитическое мышление — 69%
— Креативное мышление — 57%
— ИИ и большие данные — 45%
— Системное мышление — 42%

Они находятся вверху списка и связаны с бизнес-моделированием. Это именно те компетенции, которые целенаправленно развиваются и применяются при построении онтологических и бизнес-моделей.

Что это значит для нас?

Тот факт, что крупнейшие игроки рынка фокусируются на этих компетенциях, означает, что потребность в инструментах для структурного описания и анализа бизнеса становится массовой. Они осознают, что нельзя развивать аналитику или внедрять ИИ без целостной модели, которая является "единым источником правды" о компании.

А как вам кажется, какой из этих навыков станет самым дефицитным товаром на рынке в ближайшие годы?

#Онто_Интересно #Онто_Информация

🎁 Подарок к выходным: HTTP MCP сервер Онто

Мы открыли HTTP MCP сервер — теперь, чтобы подключить Онто к вашей ИИ среде, ничего не нужно ставить: ни Python, ни Node, ни локальные плагины и конфиги.
Достаточно любого MCP клиента, который умеет работать с HTTP, — и вы используете Онто там, где вам действительно удобно.

Зачем это вам
• Ноль установки: подключение по URL, без локальных зависимостей.
• Где угодно: IDE, чат клиенты, ноутбуки, даже Excel надстройки — всё, что поддерживает MCP по HTTP.
• Любая модель: используйте GPT, Claude, DeepSeek, GigaChat, Qwen и др. — MCP не ограничивает выбор.

Рекомендуемые клиенты
• Cherry Studio — работает без VPN, поддерживает Qwen: https://www.cherry-ai.com/
• Для тех, кто привык к коду:
1. Qoder (нужен VPN): https://qoder.com/
2. Cursor (нужен VPN): http://cursor.com/

Что уже умеет наш MCP сервер Онто
• 🔐 Авторизация личным access token’ом Онто.
• 📂 Список ваших пространств (realms).
• 🔎 Поиск шаблонов и объектов по части названия.
• ➕ Создание: нового пространства, шаблона и объекта (с комментарием и привязкой к шаблону).

Подключение к HTTP серверу (минимальная схема)
В большинстве клиентов достаточно указать URL и заголовок авторизации. Пример базовой конфигурации в JSON виде (адаптируйте под формат вашего клиента):

{
"mcpServers": {
"onto": {
"url": "https://app.ontonet.ru/mcp"
}
}
}

3–5 ярких кейсов — начните прямо сегодня
• Быстрый старт проекта: за минуту создайте пустой realm, базовые шаблоны (“Сущность”, “Справочник”) и первые объекты — без входа в веб интерфейс.
• Онтологизация текста: в чат клиенте попросите «найти по части имени» и «создать объект» — новые сущности сразу появляются в нужном пространстве.
• Разработчикам: держите справочник доменных типов из Онто под рукой — находите шаблоны/объекты по префиксу и создавайте недостающие прямо из IDE.
• Аналитикам: поднимайте временные песочницы (новые realms) под эксперименты, создавайте шаблоны “Термин”, “Определение” и собирайте модель из черновиков.
• Командам: единый доступ к данным — кто бы ни был у вас в стеке (GPT/Claude/DeepSeek/GigaChat/Qwen), MCP даёт одинаковые команды и поведение.

Быстрый smoke тест (что сказать ассистенту в клиенте)
1. «Авторизуйся моим токеном Онто».
2. «Покажи мои пространства».
3. «Создай пространство “R&D песочница”».
4. «Создай шаблон “Инцидент”».
5. «Создай объект “INC 123” по шаблону “Инцидент”, добавь комментарий “пилот”».

Если у вас уже есть любимый MCP клиент — просто добавьте URL и начните работать с Онто там, где вам удобно. Если нет — попробуйте Cherry Studio (без VPN) или, если вы разработчик, Qoder / Cursor.
Вопросы и идеи — в ответы к посту или в GitHub issues. А за рекомендации любимых MCP клиентов поддерживающих доступные всем нейросети отдельный плюс в карму.

Когда мы говорим о «галлюцинациях» LLM, то на самом деле речь идёт не о сбое кода или неком «бреде машины», а о фундаментальном свойстве архитектуры. Модель генерирует смысл прямо в момент ответа и всегда выбирает то продолжение, которое лучше всего поддерживает связность текста. Если в запросе нет опоры на проверяемые факты, то результат будет смесью знаний и реконструкции: иногда верно, иногда выдумано. Поэтому лечить здесь нужно не саму модель убеждениями «не фантазируй», а сам канал фактов, который она получает.

Именно здесь работает связка RAG и графа знаний. В отличие от классического RAG, где в модель подаются куски текста, мы даём подграф связанных сущностей и отношений. Это позволяет удерживать контекст целостным, поддерживать многошаговые рассуждения и не терять связи на стыках. Каждое утверждение, которое возвращает модель, можно «распаковать» до узлов графа и источника, то есть ответ по умолчанию становится проверяемым. Дополнительно мы совмещаем графовый и векторный поиск, а также умеем сжимать подсказку на основе структуры графа, чтобы в контексте оставались только действительно значимые факты.

Практика подтверждает эффективность подхода. В индустрии уже есть результаты о них подробно рассказал в статье "Интеграция RAG(Retrieval-Augmented Generation) и графов знаний в генеративных ИИ". Все эти проекты демонстрируют одно и то же: как только модель опирается не на вероятности текста, а на структурированное знание, она перестаёт «придумывать» и начинает говорить по делу.

В Онто мы пошли тем же путём. Наш граф знаний хранит курируемые факты и связи, позволяет строить многошаговые ответы без разрыва логики и всегда возвращает вместе с ответом путь к источнику. Так мы превращаем генеративную модель из «мастера догадок» в собеседника, который работает с проверяемыми знаниями. И в итоге снижаем не только количество галлюцинаций, но и общий когнитивный шум, делая диалог с ИИ прозрачным и доверенным.