从业务事件到可审计决策：面向企业AI的本体治理图仿真

现有基于LLM的智能体系统存在一个共同的结构性缺陷：它们在不受限的知识空间中直接作答，而不先模拟正在进行的业务场景会如何针对当前事件重塑该空间——由此产生的决策流畅却无根可依，也不留任何审计轨迹。我们提出LOM-action，为企业AI配备事件驱动的本体仿真：业务事件触发编码于企业本体（Enterprise Ontology, EO）中的场景条件，进而在隔离沙箱中驱动确定性的图变更，把子图的工作副本演化为场景有效的仿真图G_sim；所有决策仅从这个演化后的图中推导。核心管线是“事件→仿真→决策”，通过技能模式与推理模式的双模式架构实现。每个决策都会生成全程可追溯的审计日志。LOM-action取得93.82%的准确率与98.74%的工具链F1，而前沿基线Doubao-1.8与DeepSeek-V3.2尽管准确率达到80%，F1却只有24–36%——这揭示了“虚幻准确率”现象。四倍的F1优势证实，本体治理的事件驱动仿真、而非模型规模，才是可信企业决策智能的架构前提。