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。
AI 与知识库

ontology-constraint-and-knowledge-injection

用于要决定本体知识写进Prompt、走RAG还是微调、规则型任务需要提高可解释性和一致性,用户出现“Prompt RAG 微调怎么选”“本体怎么注入大模型”或 knowledge injection, prompt vs RAG vs fine-tuning, ontology constraint 等信号时调用。知识范围未定时先从当前任务提炼候选最小范围,再比较注入路径。

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 ontology-constraint-and-knowledge-injection

技能说明


name: ontology-constraint-and-knowledge-injection description: | 用于要决定本体知识写进Prompt、走RAG还是微调、规则型任务需要提高可解释性和一致性,用户出现“Prompt RAG 微调怎么选”“本体怎么注入大模型”或 knowledge injection, prompt vs RAG vs fine-tuning, ontology constraint 等信号时调用。知识范围未定时先从当前任务提炼候选最小范围,再比较注入路径。 metadata: tags: "embedding, prompt, fine-tuning, synthetic-data, decision-framework, enterprise-ai, ontology-driven" related-skills: "intent-driven-minimal-ontology-loading:depends-on"

本体约束与知识注入策略选择

方法骨架

  • 根据风险、问题清晰度、知识稳定性和运行成本选择本体约束与注入路径。
  • 少量高风险规则优先显式注入,让模型看到明确结构、阈值和限制。
  • 大量文档和模糊表达采用向量召回,再用图查询校验关系与规则。
  • 高频、稳定、规模足够的任务可评估指令微调或本体生成合成数据。
  • 只有Prompt无法满足一致性、延迟或成本目标时才升级训练路径。
  • 任何路径都要绑定真实事实、版本和外部验证,防止错误本体放大偏差。

触发场景

用户会在什么情境下需要这个 Skill

  1. 要决定本体知识写进Prompt、走RAG还是微调
  2. 规则型任务需要提高可解释性和一致性
  3. 图检索、向量检索和训练方案之间需要权衡

语言信号

  • “Prompt RAG 微调怎么选”
  • “本体怎么注入大模型”
  • “图检索和向量检索各用在哪”
  • 英文信号:knowledge injection, prompt vs RAG vs fine-tuning, ontology constraint

与相邻 Skill 的区分

  • 与 intent-driven-minimal-ontology-loading:最小加载先决定知识范围;本 skill 决定知识进入模型的技术路径和约束强度。
  • 与 fact-reason-goal-explainable-decision:本 skill 提供模型所需知识;事实事理目标负责组织具体决策。

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. 刻画任务

    • 动作:评估风险、问题清晰度、知识规模、稳定性、时效、频次、延迟和可解释要求。
    • 完成标准:每个维度有证据和等级。
  2. 确定约束强度

    • 动作:低容错、规则明确任务采用强显式约束;探索任务采用候选检索与软约束。
    • 完成标准:约束强度与业务风险一致。
  3. 选择注入路径

    • 动作:默认Prompt/上下文;文档规模大时图向量混合RAG;稳定高频且Prompt不足时评估微调;数据稀缺时谨慎使用合成数据。
    • 完成标准:选择理由、成本和升级条件明确。
  4. 绑定事实与版本

    • 动作:所有规则和知识关联来源、版本、适用范围和实时事实。
    • 完成标准:过期或无来源知识不会进入确定性输出。
  5. 设计对比验证

    • 动作:用同一测试集比较准确性、一致性、可解释性、延迟、成本和风险。
    • 完成标准:只有新增路径达到门槛且无关键退化时升级。

固定输出

  • 任务特征卡:风险、问题清晰度、知识规模、稳定性、时效、频次、延迟、成本和可解释要求
  • 待注入知识清单:知识编号、类型、来源、版本、适用范围、时效、敏感级别和确认状态
  • 约束强度判定表:任务风险、容错、强显式约束、软约束或候选检索结论及理由
  • 注入路径比较表:Prompt、图检索、向量检索、混合 RAG、微调和合成数据的效果、成本、延迟、版本更新和风险
  • 知识注入契约:选定路径、资源、加载范围、约束强度、事实绑定、版本、失效与回退条件
  • 对比验证矩阵:基线与候选路径的准确、一致、可解释、延迟、成本和风险
  • 选型结论、升级条件、退回条件与未决项

候选选型引用当前任务特征、假设和待验证指标;正式升级结论需本地对比数据支持,未执行的对比不写成验证结果。

使用边界

不要在以下情况使用

  • 知识范围未定却直接启动训练或大规模注入;可先提炼候选范围并比较路径
  • 把微调当作实时事实更新机制
  • 错误或未经验证的本体用于批量生成训练数据

常见失败模式

  • 用通用逻辑直接驱动自主决策:概率推理替代了企业决策逻辑,执行工具又把语言偏差转化成了现实状态变更。
  • 在低容错场景接受概率性幻觉:概率生成与业务正确性目标不一致,且下游系统把文本结果当作可信决策依据。
  • 把文档检索等同于可执行知识:向量相似性提供相关片段,却不能保证业务关系、方向、约束和动作条件完整呈现。
  • 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。
  • 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。

使用折扣与复核要求

  • 当前公开证据缺少不同注入路径的大规模对照实验,实际选型必须用本地数据和成本测试。
  • 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 → intent-driven-minimal-ontology-loading;最小加载先决定知识范围;本 skill 决定知识进入模型的技术路径和约束强度。

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。