检索日期：2026-03-27 使用原则：本章只保留能直接证明“业务适配属于结构对齐而非话术包装”的来源；优先 DDD/本体/schema、官方 eval 指南、企业语义层与数据底座、高风险行业反例、行业 benchmark。
DDD Reference: Definitions and Pattern Summaries 作者/机构：Eric Evans / Domain Language 年份：2015 URL：https://www.domainlanguage.com/ddd/reference/ 角度：ubiquitous language、bounded context、模型与语言耦合 采用原因：适合支撑“统一语言不是词汇表，而是围绕模型建立的结构化语言”。
Ubiquitous Language 作者/机构：Martin Fowler 年份：2006 URL：https://martinfowler.com/bliki/UbiquitousLanguage.html 角度：语言与领域模型共同演化 采用原因：适合支撑“语言若不进入模型，就只是文案而不是业务语言”。
Bounded Context 作者/机构：Martin Fowler 年份：2014 URL：https://martinfowler.com/bliki/BoundedContext.html 角度：同词异义、边界内统一、跨边界映射 采用原因：适合支撑“问题不是有没有行业词，而是这些词在哪个边界内成立”。
Use Domain Analysis to Model Microservices 作者/机构：Microsoft Learn 年份：持续更新 URL：https://learn.microsoft.com/en-us/azure/architecture/microservices/model/domain-analysis 角度：bounded context 内共享词汇、文档代码一致性 采用原因：适合把 DDD 视角落到工程实践。
Design a DDD-oriented microservice 作者/机构：Microsoft Learn 年份：2022 URL：https://learn.microsoft.com/en-us/dotnet/architecture/microservices/microservice-ddd-cqrs-patterns/ddd-oriented-microservice 角度：代码与业务术语对齐、边界划分 采用原因：适合支撑“没有模型和代码层变化，就不是业务适配”。
A Translation Approach to Portable Ontology Specifications 作者/机构：Thomas R. Gruber 年份：1993 URL：https://tomgruber.org/writing/ontolingua-kaj-1993/ 角度：ontology 作为共享领域词汇与结构规范 采用原因：适合支撑“业务适配首先要说清对象、关系、函数，而不是换一套话术”。
Ontology Development 101: A Guide to Creating Your First Ontology 作者/机构：Natalya F. Noy、Deborah L. McGuinness / Stanford University 年份：2001 URL：https://protege.stanford.edu/publications/ontology_development/ontology101.pdf 角度：classes、properties、restrictions 采用原因：适合支撑“业务差异最终要落到对象、字段与约束上”。
OWL 2 Web Ontology Language Structural Specification and Functional-Style Syntax 作者/机构：W3C 年份：2012 URL：https://www.w3.org/TR/owl2-syntax/ 角度：classes、object properties、cardinality、range 采用原因：适合支撑“业务规则必须可被结构化表达和推理”。
Shapes Constraint Language (SHACL) 作者/机构：W3C 年份：2017 URL：https://www.w3.org/TR/shacl/ 角度：结构校验、字段约束、closed shapes 采用原因：适合支撑“真正的业务适配最终会变成验证规则”。
Profiling - FHIR v5.0.0 作者/机构：HL7 FHIR Infrastructure Work Group 年份：2023 URL：https://hl7.org/fhir/profiling.html 角度：医疗业务适配落到元素约束、值域和引用关系 采用原因：适合支撑“高专业行业的适配也首先体现为结构差异而非话术差异”。
RFC 8927: JSON Type Definition 作者/机构：RFC Editor 年份：2020 URL：https://www.ietf.org/rfc/rfc8927.pdf 角度：properties、enum、optionalProperties、discriminator 采用原因：适合把“结构化适配”拉回通用软件工程语境。
Announcing OpenAI Pioneers Program 作者/机构：OpenAI 年份：2025 URL：https://openai.com/index/openai-pioneers-program/ 角度：domain-specific evals、行业基准共建 采用原因：适合支撑“没有领域评测，就没有真正适配”。
Inside OpenAI’s in-house data agent 作者/机构：OpenAI 年份：2026 URL：https://openai.com/index/inside-our-in-house-data-agent/ 角度：真实数据、golden set、专家注释、系统化 eval 采用原因：适合支撑“真实业务适配依赖真实数据与专家校准，而不是术语模仿”。
Demystifying evals for AI agents 作者/机构：Anthropic 年份：2026 URL：https://www.anthropic.com/engineering/demystifying-evals-for-ai-agents 角度：真实失败案例、专家判断、产品团队参与 采用原因：适合支撑“业务适配是 eval 问题而不是 prompt 修辞问题”。
Introducing agent evaluation in Vertex AI Gen AI evaluation service 作者/机构：Google Cloud 年份：2025 URL：https://cloud.google.com/blog/products/ai-machine-learning/introducing-agent-evaluation-in-vertex-ai-gen-ai-evaluation-service 角度：trajectory evaluation、reference trajectory 采用原因：适合支撑“真正重要的是任务路径与业务动作，而不是说话像不像专家”。
MLflow 3 for GenAI 作者/机构：Microsoft Learn / Azure Databricks 年份：2026 URL：https://learn.microsoft.com/en-us/azure/databricks/mlflow3/genai/ 角度：evaluation、observability、human feedback、expert alignment 采用原因：适合支撑“自动评分也必须向专家判断对齐”。
Evaluation best practices 作者/机构：OpenAI 年份：持续更新 URL：https://developers.openai.com/api/docs/guides/evaluation-best-practices 角度：task-specific evals、结构化评分 采用原因：适合支撑“真实任务测试优先于通用 benchmark”。
Gen AI evaluation service overview 作者/机构：Google Cloud 年份：2026 URL：https://cloud.google.com/vertex-ai/generative-ai/docs/models/evaluation-overview 角度：adaptive rubrics、独特业务标准 采用原因：适合支撑“业务适配来自自定义标准而非公开榜单表现”。
Tableau Semantics: Consistent, Business-Rich, and AI-Ready Data at Scale 作者/机构：Salesforce 年份：2025 URL：https://www.salesforce.com/ap/blog/what-is-tableau-semantics/ 角度：semantic layer、单一事实来源、统一指标定义 采用原因：适合支撑“业务适配来自语义层，不是来自行话堆砌”。
Salesforce Unveils the Foundation for Building Trusted AI 作者/机构：Salesforce 年份：2025 URL：https://www.salesforce.com/news/stories/trusted-ai-foundation-agentic-enterprise/ 角度：enterprise-wide metadata layer、unified business data 采用原因：适合支撑“企业 AI 依赖元数据层和统一业务知识”。
The ServiceNow Configuration Management Database 作者/机构：ServiceNow 年份：2024 URL：https://blogs.servicenow.com/content/dam/servicenow-assets/public/en-us/doc-type/resource-center/data-sheet/ds-configuration-management.pdf 角度：single system of record、标准 taxonomy、service context 采用原因：适合支撑“系统记录与上下文比术语更决定业务适配质量”。
Common Services Data Model (CSDM) Primer 作者/机构：ServiceNow 年份：2024 URL：https://www.servicenow.com/content/dam/servicenow-assets/public/en-us/doc-type/resource-center/ebook/ebk-csdm-101-primer.pdf 角度：common language、common data model 采用原因：适合支撑“真正的行业适配是对象关系建模，不是词汇替换”。
Announcing new Microsoft Dataverse capabilities for multi-agent operations 作者/机构：Microsoft 年份：2025 URL：https://www.microsoft.com/en-us/microsoft-copilot/blog/copilot-studio/announcing-new-microsoft-dataverse-capabilities-for-multi-agent-operations/ 角度：trusted common data platform、schema-aware grounding 采用原因：适合支撑“业务上下文来自数据底座与 schema，而非风格模仿”。
Add knowledge sources to your declarative agent 作者/机构：Microsoft Learn 年份：2025 URL：https://learn.microsoft.com/zh-tw/microsoft-365-copilot/extensibility/knowledge-sources 角度：grounding information、Dataverse knowledge、synonyms 与 glossary 采用原因：适合支撑“术语只有绑定到真实表字段和知识源后才有意义”。
How Looker’s semantic layer enables trusted AI for business intelligence 作者/机构：Google Cloud 年份：2025 URL：https://cloud.google.com/blog/products/business-intelligence/how-lookers-semantic-layer-enhances-gen-ai-trustworthiness 角度：semantic layer、business logic、consistent interpretation 采用原因：适合支撑“AI 需要共享企业定义的指标和逻辑，而非自己猜测业务含义”。
Introducing BigQuery unified governance: universal, intelligent, and open 作者/机构：Google Cloud 年份：2025 URL：https://cloud.google.com/blog/products/data-analytics/announcing-intelligent-unified-governance-in-bigquery 角度：catalog、metadata、lineage、ownership、policy 采用原因：适合支撑“可信上下文来自治理体系而非术语表面”。
Evaluation and mitigation of the limitations of large language models in clinical decision-making 作者/机构：Paul Hager 等 / Nature Medicine 年份：2024 URL：https://www.nature.com/articles/s41591-024-03097-1 角度：临床决策中的不稳定性、指南偏离、幻觉风险 采用原因：适合支撑“会说医学术语不等于能进入临床流程”。
The evaluation illusion of large language models in medicine 作者/机构：Monica Agrawal 等 / npj Digital Medicine 年份：2025 URL：https://www.nature.com/articles/s41746-025-01963-x 角度：benchmark 幻觉、真实 EHR、边界案例、工作流整合 采用原因：适合支撑“行业适配必须看真实流程价值，而不是表面分数或表面话术”。
WHO releases AI ethics and governance guidance for large multi-modal models 作者/机构：World Health Organization 年份：2024 URL：https://www.who.int/news/item/18-01-2024-who-releases-ai-ethics-and-governance-guidance-for-large-multi-modal-models 角度：任务限定、审批、审计、全生命周期监督 采用原因：适合支撑“高风险行业要的是受监管系统，不是会说专业话的系统”。
Clinical Decision Support Software: Guidance for Industry and Food and Drug Administration Staff 作者/机构：U.S. FDA 年份：2026 URL：https://www.fda.gov/media/109618/download 角度：人工独立审查、责任边界、监管升级 采用原因：适合支撑“业务可用性依赖人工判断主权与升级路径”。
Large Legal Fictions: Profiling Legal Hallucinations in Large Language Models 作者/机构：Matthew Dahl 等 年份：2024 URL：https://dho.stanford.edu/wp-content/uploads/Hallucinations_JLA.pdf 角度：法律幻觉、案例伪造、错误前提放大 采用原因：适合支撑“会写法律腔不等于可用于法律实务”。
Artificial Intelligence (AI) Guidance for Judicial Office Holders 作者/机构：Courts and Tribunals Judiciary 年份：2025 URL：https://www.judiciary.uk/wp-content/uploads/2025/10/Artificial-Intelligence-AI-Guidance-for-Judicial-Office-Holders-1.pdf 角度：核验、保密、报告、禁用边界 采用原因：适合支撑“高风险业务适配必须嵌入核验、上报和禁用规则”。
LegalBench: A Collaboratively Built Benchmark for Measuring Legal Reasoning in Large Language Models 作者/机构：Neel Guha 等 年份：2023 URL：https://arxiv.org/abs/2308.11462 角度：专家构建任务、法律推理 benchmark 采用原因：适合支撑“行业能力来自任务设计与专家定义，而不是术语风格”。
LawBench: Benchmarking Legal Knowledge of Large Language Models 作者/机构：Zhiwei Fei 等 年份：2023 URL：https://arxiv.org/abs/2309.16289 角度：记忆、理解、应用三层法律能力 采用原因：适合支撑“行业微调和术语增强只能带来有限提升”。
FinBen: A Holistic Financial Benchmark for Large Language Models 作者/机构：Qianqian Xie 等 年份：2024 URL：https://arxiv.org/abs/2402.12659 角度：抽取、预测、决策、风控等金融任务 采用原因：适合支撑“会说金融话和能做金融任务是两回事”。
Large Language Models Encode Clinical Knowledge / MultiMedQA 作者/机构：Karan Singhal 等 / Google Research 年份：2023 URL：https://research.google/pubs/large-language-models-encode-clinical-knowledge/ 角度：多维医学评测、人类评测框架、harm/bias 采用原因：适合支撑“行业评测不能只看术语正确率或考试成绩”。