Onton

在电商搜索领域，我们习惯了输入“红色沙发”或“实木餐桌”。但如果你的需求是“适合有猫家庭的耐用沙发”，传统搜索引擎往往会失效。因为它们依赖的是卖家填写的标签，而“宠物友好”并不是一个标准的数据库字段。

旧金山初创公司 Onton 发布的 Ontology 1 ，这是一种神经符号搜索模型，它不单纯依赖向量相似度或关键词匹配，而是构建了一个显式的、可检查的世界模型。在最新的基准测试中，其准确率比 Google Shopping 高出 16%，比 Amazon 高出 34%——尽管它只索引了竞品约 1% 的产品目录。

为什么传统搜索会失效？

过去三十年，电商搜索的底层逻辑几乎没有变化：将用户意图映射到预设的类别和属性（如尺寸、价格、品牌）。但这种模式无法处理模糊、复杂或带有否定词的查询。

• 标签不可信：卖家可能为了 SEO 乱填标签，或者干脆漏填关键信息。
• 语义鸿沟：系统不知道“宠物友好”意味着“耐抓、易清洁、结构稳固”。它需要推理，而不是简单的检索。

Ontology 1 的核心突破在于推理而非检索。当面对“宠物友好型组合沙发”时，它会拆解这个模糊谓词，推导出“聚酯纤维”、“紧密编织”等客观属性，并据此筛选产品。如果数据缺失，它会将其视为知识缺口并进行自我推导，这种学习成果还会被复用到后续的查询中。

性能表现：Subtext-Decor-90 基准测试

Onton 发布了名为 Subtext-Decor-90 的公开基准测试，由三位独立的 LLM 评审员（Claude Opus 4.8, Gemini 3.1 Pro, GPT-5.5）对 90 个复杂文本查询的结果进行评分。

注：置信区间为 95%，通过 10,000 次自助重采样计算。尽管评审员间的一致性中等（Krippendorff’s alpha = 0.465），但三者对引擎的排名完全一致。

值得注意的是，Ontology 1 在功能规格类查询（如“凌晨阅读不吵醒伴侣的灯”）上表现稍弱，这主要归因于其目前仅专注于家居装饰垂直领域，且目录广度远不及亚马逊。

底层架构：Ograph 与神经符号系统

Ontology 1 的运行依赖于两个核心组件：

1. 神经符号推理：它将模糊的自然语言查询分解为可检验的逻辑属性，并在知识图谱中进行验证。这使得搜索结果不仅是相关的，而且是可解释的。
2. Ograph 图数据库：这是一个自定义的高性能图数据库。据 Onton 报告，其单核吞吐量是 SuiteSparse:GraphBLAS 的 100 倍，GPU 版本更是快了 43 倍。这种极高的效率使得实时推理成为可能。

部署与适用性

目前，Ontology 1 不开放权重，也没有公共 API。它的采用模式更接近于战略合作伙伴关系，而非传统的 SaaS 订阅。

• 目标客户：中大型零售商、市场平台以及正在构建智能体商务（Agent Commerce）的团队。对于那些受困于冗长、复杂查询的相关性堆栈来说，这是一个极具吸引力的解决方案。
• 行业局限：目前仅覆盖家居装饰和家具领域，但 Onton 表示该方法论可泛化至其他垂直行业甚至非产品数据搜索。
• 访问方式：终端用户可通过 Onton.com 体验，企业级合作伙伴需按个案申请访问权限。