Skip to content
OpenAgentSkill
Browsing is open · Catalog captured 2026-11-21 · Automatic updates and account services are paused.
Other skills

ontology-model-multilayer-quality-gate

用于大模型生成了本体,需要判断能否使用、准备评审本体模型质量和生产准入,用户出现“帮我做本体质量审查”“双模型怎么校验”或 ontology quality gate, dual-model audit, semantic review 等信号时调用。不适用于把同一个模型的自我反思当作独立审核。

SuperChason · Static checks on file

Installation

Read the source and dependencies before running a command. Copying does not install or execute anything.

npx skills add SuperChason/ontology-driven-ai-data-management-skills --skill ontology-model-multilayer-quality-gate

About this skill


name: ontology-model-multilayer-quality-gate description: | 用于大模型生成了本体,需要判断能否使用、准备评审本体模型质量和生产准入,用户出现“帮我做本体质量审查”“双模型怎么校验”或 ontology quality gate, dual-model audit, semantic review 等信号时调用。不适用于把同一个模型的自我反思当作独立审核。 metadata: tags: "quality-gate, clarity, logic, completeness, expert-review, enterprise-ai, ontology-driven" related-skills: "ontology-logical-model-generation:depends-on, data-to-ontology-mapping-and-instantiation:depends-on, ontology-golden-case-testing:feeds-into"

AI 本体建模的多层质量门

方法骨架

  • 把本体质量拆给相互独立的检查角色,降低单模型自证正确的风险。
  • 生成模型负责结构化表达,异构审核模型独立找语法、逻辑、规范和覆盖缺陷。
  • 语法工具与约束引擎验证可计算结构,避免把可解析误当成语义正确。
  • 业务专家从全局拓扑、局部语义和规则路径检查真实业务含义。
  • 关键分歧由专家和工程师仲裁,形成可追溯缺陷与处理记录。
  • 候选模型可先做可执行的技术检查和业务用例验证,缺陷回流修订;生产注册才要求项目适用的准入门槛全部满足。

触发场景

用户会在什么情境下需要这个 Skill

  1. 大模型生成了本体,需要判断能否使用
  2. 准备评审本体模型质量和生产准入
  3. 模型语法通过但业务专家仍担心规则错误

语言信号

  • “帮我做本体质量审查”
  • “双模型怎么校验”
  • “这个模型能注册生产吗”
  • 英文信号:ontology quality gate, dual-model audit, semantic review

与相邻 Skill 的区分

  • 与 ontology-golden-case-testing:本 skill 检查模型结构和业务语义;黄金用例验收检查模型在真实问题上的输出。
  • 与 twenty-nine-sentence-knowledge-extraction:29句话改善建模输入;本 skill 审查形式化产物。

执行步骤

按当前任务选择必要步骤;已有可靠成果直接复用:

  1. 检查输入准入

    • 动作:确认场景语义、概念模型、逻辑本体、数据到本体映射和样例实例版本一致,并保留来源与确认状态。
    • 完成标准:未确认或冲突输入已隔离,前序产物追溯完整。
  2. 独立生成与审核

    • 动作:有可用且已授权的独立审查能力时使用不同模型或隔离上下文审计;否则完成工具校验与当前模型审查,并标明缺少独立审核。输出缺陷、位置、等级和依据。
    • 完成标准:如执行独立审核,审核者未看到生成方自我评价;其余审查如实标注方式和覆盖范围,争议项可复现。
  3. 运行形式校验

    • 动作:检查语法、命名、类层级、定义域值域、SHACL约束、规则冲突、映射完整性、实例来源和未引用实体。
    • 完成标准:已执行检查的错误和警告均有位置、依据与影响;工具未覆盖项明确标记。审查可带缺陷交付,生产放行前关闭适用阻断项。
  4. 执行专家三层审查

    • 动作:按全局拓扑、局部语义和完整推理路径准备专家审查材料;有实际专家意见时记录结论与依据。
    • 完成标准:已获得的专家结论、待确认问题和影响范围分开记录;模型审查推断不写成专家确认。
  5. 做准入决策

    • 动作:汇总阻断项、一般缺陷、剩余风险和仲裁记录。
    • 完成标准:给出有证据的阶段准入结论与缺陷清单即可完成审查;生产阻断项未关闭时禁止准入,仍可继续不依赖该缺口的测试和修订。

固定输出

  • 输入资产与版本锁定表:语义、概念、逻辑、约束、映射、实例、规则、查询和用例版本
  • 来源与追溯完整性报告
  • 语法与结构检查报告:解析、命名、引用、重复、孤立、循环和模块依赖
  • 逻辑与 SHACL 检查报告:一致性、可满足性、定义域、值域、基数、数据类型和严重等级
  • 数据映射与实例检查报告:映射完整、标识、类型、单位、时间、来源和样例实例
  • 独立审核缺陷表:缺陷编号、位置、级别、证据、影响、责任人、修复和回归状态
  • 业务专家审查记录:术语、对象、关系、规则、例外、权限和场景适用性结论
  • 阻断项、一般缺陷、剩余风险、仲裁记录和准入结论

使用边界

不要在以下情况使用

  • 把同一个模型的自我反思当作独立审核
  • 将来源不明或冲突未裁决的输入直接判定为生产可用;此类输入仍应接受审查并记录缺陷
  • 只需要做运行时回归测试

常见失败模式

  • 用不成熟的AI能力自动治理AI:AI输出从建议变成控制面配置,伪相关、错误因果和识别偏差被持续复用。
  • 纯人工符号建模或纯神经生成走向单边极端:单一技术范式无法同时覆盖语义抽象效率、业务约束、泛化能力和可解释性。
  • 让同一个模型同时生成和自我审查:审核者与生成者共享训练分布、提示上下文和推理路径,缺少独立证据与差异化视角。
  • 把语法通过当成业务语义正确:形式合法性与业务正确性处于不同验证层,语法工具无法判断领域含义、规则完整性及行动后果。
  • 用错误本体生成训练数据并放大偏差:同一语义缺陷被重复采样,训练优化把局部错误提升为模型的稳定决策倾向。

使用折扣与复核要求

  • 多层审查提高可信度,无法证明覆盖了全部未来场景,仍需上线监控和持续回归。
  • 大模型生成形式结构无法直接证明业务语义正确,生产使用需保留专家确认、工具校验、真实用例和审计记录。

相关 Skills

  • depends-on → ontology-logical-model-generation 与 data-to-ontology-mapping-and-instantiation。
  • feeds-into → ontology-golden-case-testing;技术检查与真实任务用例可迭代执行,结论共同支持生产准入。

审计信息

  • 历史验证:v0.1.0 路由测试 6/6;v0.4.0 已通过输出契约结构校验,跨平台行为继续按版本抽样
  • 首次公开版本:2026-08-21
  • 来源说明:方法框架受《本体驱动的 AI 数据管理》启发;仓库不包含原书正文。