Ontology-Driven AI Data Management Skills

Validate skills License: MIT

面向企业本体工程、AI 数据治理与 Agent 行动闭环的 16 个可复用 Skill。

这套 Skill 受《本体驱动的 AI 数据管理》启发，将场景选择、知识提取、语义建模、质量验证、推理决策、行动控制和运行治理整理成可执行工作流。仓库只收录独立编写的 Skill 指令、测试材料和维护脚本，不包含原书 PDF、页面图片、逐字引文及案例正文。详细边界见 NOTICE。

怎么使用

在 Codex 中有两种调用方式：

  • 显式调用：输入 $ 后选择 Skill，或直接在提示词中写 $skill-name。
  • 自动匹配：直接描述任务，Codex 会根据每个 Skill 的 description 选择合适的工作流。

建议一次使用 1～4 个 Skill。复杂任务可以按依赖顺序分阶段执行，每个阶段先检查中间产物和继续条件。

示例

$ontology-ai-scenario-fit-and-spike

帮我判断“工程进度变化影响预算”是否适合采用本体增强 AI。
请输出场景适配度、数据条件、首个穿刺场景、继续或停止标准，以及待确认问题。

$action-contract-execution-feedback-loop

为“创建预算调整建议单”设计 Action 契约。
补齐输入、输出、权限、前置校验、幂等、失败重试、人工降级、执行回执和审计信息。

Skill 导航

场景规划与规模化落地

Skill 适用任务
ontology-ai-scenario-fit-and-spike 判断场景是否适合本体，设计首个小切口和穿刺验证
ontology-ai-application-pattern-selection 在问答、审核、协同、决策和 PDCA 等应用模式中选型
five-ring-ontology-engineering-lifecycle 规划从知识采集到上线运营的本体工程生命周期
point-line-plane-ontology-scaling 从单点场景扩展到业务线和企业级复用

知识提取、语义建模与质量验证

Skill 适用任务
fact-reason-action-business-loop 用事实、事理、行动建立可追溯业务闭环
twenty-nine-sentence-knowledge-extraction 从制度、材料和专家访谈中提取结构化业务知识
seven-plus-one-semantic-mapping 检查术语、规则、权限、动作和目标评估是否完整
ontology-model-multilayer-quality-gate 从语法、结构、语义和业务层审查本体质量
ontology-golden-case-testing 用黄金问题集、边界用例和回归矩阵验收本体

Agent 推理、知识注入与行动闭环

Skill 适用任务
intent-driven-minimal-ontology-loading 按用户意图加载最小必要本体和知识上下文
ontology-constraint-and-knowledge-injection 选择 Prompt、RAG、微调及混合知识注入策略
fact-reason-goal-explainable-decision 综合事实、规则和目标形成可解释决策
risk-based-agent-action-modes 按风险选择自动执行、人工审批或协同控制
action-contract-execution-feedback-loop 定义 Action 契约、执行校验、重试降级和结果回写

数据资产与运行治理

Skill 适用任务
ai-training-inference-data-asset-governance 治理训练数据、实时事实、规则模型和推理结果
ontology-runtime-service-and-version-operations 建设本体运行时服务，处理版本、灰度、回滚和审计

推荐组合

从场景到首个验证

ontology-ai-scenario-fit-and-spike
→ ontology-ai-application-pattern-selection

从业务材料到可验收本体

twenty-nine-sentence-knowledge-extraction
→ fact-reason-action-business-loop
→ seven-plus-one-semantic-mapping
→ ontology-model-multilayer-quality-gate
→ ontology-golden-case-testing

从 Agent 判断到受控执行

intent-driven-minimal-ontology-loading
→ fact-reason-goal-explainable-decision
→ risk-based-agent-action-modes
→ action-contract-execution-feedback-loop

从试点到生产运营

five-ring-ontology-engineering-lifecycle
→ point-line-plane-ontology-scaling
→ ai-training-inference-data-asset-governance
→ ontology-runtime-service-and-version-operations

安装

安装全部 Skill

git clone https://github.com/SuperChason/ontology-driven-ai-data-management-skills.git
cd ontology-driven-ai-data-management-skills
./scripts/install.sh

脚本默认复制到 ~/.agents/skills。可以通过环境变量指定其他目录：

CODEX_SKILLS_DIR="$HOME/.codex/skills" ./scripts/install.sh

已有同名 Skill 时脚本会跳过。确认需要覆盖后使用 ./scripts/install.sh --force。

只安装一个 Skill

mkdir -p "$HOME/.agents/skills"
cp -R skills/ontology-ai-scenario-fit-and-spike "$HOME/.agents/skills/"

安装后重新打开 Codex；部分版本可以自动发现新增 Skill。

质量检查

每个 Skill 都包含：

  • SKILL.md：触发边界、执行步骤、固定输出和失败模式。
  • agents/openai.yaml：展示名称、简介和默认提示词。
  • test-prompts.json：正向、反向和边界触发测试。
  • test-results.md：当前测试记录。

本地验证：

python3 scripts/validate_skills.py

贡献

欢迎提交 Issue 和 Pull Request。新增或修改 Skill 时，请同步维护触发测试，并遵守 CONTRIBUTING.md 中的来源与隐私要求。

License

仓库原创代码与文本采用 MIT License。原书内容及相关权利归原作者和出版方所有，MIT License 不扩展至原书内容。详见 NOTICE。