面向异构业务系统的超图企业智能体推理器

将大语言模型（LLM）应用于异构企业系统受困于幻觉以及多跳、n元推理的失败。现有范式（如GraphRAG、NL2SQL）缺乏这些复杂环境所需的语义落地与可审计执行。我们提出HEAR，一个构建在分层超图本体（Stratified Hypergraph Ontology）之上的企业级智能体推理器。其底层图层将带来源感知的数据接口虚拟化，而超边层编码n元业务规则与程序性协议。HEAR运行证据驱动的推理循环，动态编排本体工具以进行结构化多跳分析，且无需LLM再训练。在包括订单履约阻塞根因分析（RCA）等供应链任务上的评估显示，HEAR最高达到94.7%的准确率。关键的是，HEAR展现出自适应效率：利用程序性超边最小化token成本，同时借助拓扑探索在复杂查询上保证严格正确性。通过以开放权重骨干匹配专有模型的性能并自动化人工诊断，HEAR为企业智能建立了可扩展、可审计的基础。