跳至正文
OpenAgentSkill
浏览已开放 · 目录记录日期 2026-11-21 · 自动更新和账户服务暂时关闭。
其他技能

intent-driven-minimal-ontology-loading

用于Agent上下文过长或本体加载过多、同一问法可能对应不同业务意图,用户出现“只加载当前需要的本体”“这个意图该路由到哪个子本体”或 minimal ontology, intent routing, hybrid retrieval 等信号时调用。不适用于意图尚未澄清却直接静默路由。

SuperChason · 已有静态检查记录

安装与使用

运行命令前先阅读来源与依赖说明。复制命令不会自动安装或执行。

npx skills add SuperChason/ontology-driven-ai-data-management-skills --skill intent-driven-minimal-ontology-loading

技能说明


name: intent-driven-minimal-ontology-loading description: | 用于Agent上下文过长或本体加载过多、同一问法可能对应不同业务意图,用户出现“只加载当前需要的本体”“这个意图该路由到哪个子本体”或 minimal ontology, intent routing, hybrid retrieval 等信号时调用。不适用于意图尚未澄清却直接静默路由。 metadata: tags: "minimal-ontology, hybrid-retrieval, graph, vector, progressive-disclosure, enterprise-ai, ontology-driven" related-skills: "fact-reason-action-business-loop:depends-on"

意图驱动的最小本体检索与加载

方法骨架

  • 根据当前用户意图只加载完成决策所需的最小本体、事实和工具。
  • 按需要把目标拆成可判定的子意图,保留共享资源和依赖;单一意图直接处理。
  • 再将意图映射到子本体、事实时间窗、规则和Action能力。
  • 规则清晰、低容错任务优先图查询;模糊表达可先向量召回再图精查。
  • 加载范围随风险、上下文和任务进展渐进扩展,避免全量上下文冲突。
  • 输出应记录意图、加载版本、检索依据和未加载原因。

触发场景

用户会在什么情境下需要这个 Skill

  1. Agent上下文过长或本体加载过多
  2. 同一问法可能对应不同业务意图
  3. 需要设计子本体路由和图向量混合检索

语言信号

  • “只加载当前需要的本体”
  • “这个意图该路由到哪个子本体”
  • “图检索和向量检索怎么组合”
  • 英文信号:minimal ontology, intent routing, hybrid retrieval

与相邻 Skill 的区分

  • 与 ontology-constraint-and-knowledge-injection:本 skill 决定取哪些知识;知识注入策略决定怎样把知识交给模型。
  • 与 fact-reason-goal-explainable-decision:本 skill 负责运行时上下文选择;事实事理目标负责在上下文内完成决策。

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. 解析意图

    • 动作:提取对象、目标、时间、范围、风险和期望输出,识别歧义。
    • 完成标准:当前意图及依赖可判定;先用上下文消除歧义,只有不同解释会改变关键资源、权限或执行后果时才向用户澄清。
  2. 建立路由

    • 动作:映射到最小子本体、事实源、规则集、Action和版本。
    • 完成标准:每项资源都能说明与当前决策的必要关系。
  3. 选择检索

    • 动作:规则明确时图精查;表达模糊时向量召回后图校验;需要历史经验时补充记忆。
    • 完成标准:检索策略与风险、清晰度和时效相匹配。
  4. 控制加载

    • 动作:设置Token预算、时间窗、层级深度和渐进扩展条件。
    • 完成标准:上下文只包含必要知识,冲突和过期版本已排除。
  5. 记录与校验

    • 动作:输出意图、资源、版本、查询、证据和未加载项,运行关键约束检查。
    • 完成标准:相同输入可复现加载结果,高风险缺项触发人工介入。

固定输出

  • 意图定义表:意图编号、原始表达、对象、目标、时间、范围、风险、期望输出和歧义状态
  • 子意图拆分与依赖表
  • 意图—资源路由表:子本体、事实源、时间窗、规则集、Action、版本、必要性证据和未加载原因
  • 检索策略表:图精查、向量召回、历史记忆或组合策略及校验方式
  • 加载边界与预算表:Token、时间窗、关系深度、资源数、停止条件和渐进扩展条件
  • 加载结果与约束检查记录:实际资源、版本、查询、证据、冲突、过期项和检查结果
  • 高风险缺失、人工介入与重现信息清单

复现需固定输入、资源版本、检索配置与时间窗;影响关键资源或执行后果的歧义、关键资源缺失只阻断依赖部分。

使用边界

不要在以下情况使用

  • 意图尚未澄清却直接静默路由
  • 任务需要全域审计或全局一致性检查
  • 只在离线阶段设计知识资产分类

常见失败模式

  • 用全量模型重构适配企业业务:企业知识被压入模型参数,适配成本从局部语义治理升级为模型训练、维护和全量数据治理。
  • 一次性加载全量本体和超长上下文:有限上下文被低相关知识占据,关键规则的有效权重下降,冲突信息增加概率性选择空间。
  • 任务边界和本体粒度失配:建模单元没有绑定具体Agent任务及评价标准,模型边界与执行边界无法对齐。

使用折扣与复核要求

  • 最小加载可能漏掉未知关联,应为高风险任务设置扩展检索和人工复核。
  • 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 → fact-reason-action-business-loop。

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。