Template-as-Ontology：面向跨领域制造AI验证的可配置合成数据基础设施

部署在制造环境中的基于大语言模型（LLM）的AI智能体需要填充完整、模式正确的数据用于验证，然而生产环境的MES数据是专有的、受隐私约束且随厂商而异。本文提出Template-as-Ontology原则：一个Python配置模块（700-770行、45个经过验证的导出项）同时充当分步制造模拟器的规范与AI分析工具的运行时领域模式，从而通过构造而非集成实现对齐。我们将领域模板形式化定义为类型化的关系配置模式，并证明模拟层与工具层之间的结构对齐由单一数据源消费来保证。一个五层流水线——模拟、PostgreSQL、CDC/Iceberg lakehouse、星型模式以及12个参数化AI工具——生成因果连贯、符合MES形态的数据，涵盖映射到ISA-95/IEC 62264的四个运营领域共66种实体类型。我们用六套行业模板（航空航天、制药、汽车、电子、饮料、仓储）在相同的框架代码上运行来验证该架构。校准实验（60次运行，每个模板10个种子）证实了参数可控性：所有模板中观测到的KPI均落在配置范围内。一项受控幻觉实验（72次工具调用，Qwen3-32B）表明本体约束的参数可消除工具参数编造（被评估模型在约束条件下幻觉率为0%，无约束时为43%，Fisher精确检验 p < 10^-12）；0%的约束率是对任何模型都成立的结构性保证。该框架为离散制造AI验证提供了一个可复用的数据层。