Ontology Clawra
Palantir本体论实践版本 v3.4 - **持续优化版**。结构化知识图谱+规则引擎+科学推理方法论+自动知识抽取。**每次决策/分析前必须使用**。推理结果必须展示详细推理过程：包含用户需求、规则依据ID、规则内容、计算公式、参数来源、置信度标注。安全边界：自动学习默认禁用，需用户授权；写入本体需确认；不...
MIT-0 · Free to use, modify, and redistribute. No attribution required.
⭐ 1 · 81 · 1 current installs · 1 all-time installs
MIT-0
Security Scan
OpenClaw
Suspicious
medium confidencePurpose & Capability
Name/description (ontology + rule engine + reasoning) align with the included Python modules (reasoner, confidence tracker, interactive confirm, typical scenarios). However, install.md claims Node.js 18+ while the shipped code is Python-heavy (inconsistency), and CHANGELOG/install references a network-fetch capability and a GitHub repo — these are plausible but not strictly necessary for the core stated purpose and are not reflected in a formal install spec.
Instruction Scope
SKILL.md promises strict I/O limits: read only ~/.openclaw/skills/ontology-clawra/memory/ and network 'not proactively'. The code violates that: network_fetch.search_local walks ~/.openclaw/workspace/memory (broader workspace memory beyond the skill), and multiple modules (confidence_tracker, network_fetch.save_to_network_cache, ontology scripts) write to ~/.openclaw/skills/ontology-clawra/memory without requiring explicit user confirmation. SKILL.md's claim 'never upload user data' is followed (no remote endpoints in code), but the file-read/write scope and automatic writes contradict SKILL.md rules.
Install Mechanism
There is no formal install spec; the package is instruction-only for the platform but includes an install.md suggesting 'clawhub install' or a git clone of a GitHub repo. No automated installer is provided in the manifest. The presence of Node.js in install.md is disproportionate to the Python codebase. Because no install script downloads arbitrary archives, install risk is moderate if you follow the suggested git URL, but that URL is external and unverified in the registry metadata.
Credentials
The skill declares no required env vars or credentials, which matches the code. However the code reads ~/.openclaw/workspace/memory (other skills/workspace), and writes to its own memory (confidence logs, network cache, graph/decisions) automatically during normal operations. SKILL.md states writes only after explicit user confirmation, but implementations (e.g., ConfidenceTracker.add_reasoning, save_to_network_cache, write_operation) perform writes without user confirmation. No sensitive remote credentials are requested, but local file access is broader than advertised.
Persistence & Privilege
The skill is not marked always:true (good). But it persists data to local memory files (graph.jsonl, confidence_tracker.jsonl, network_cache.jsonl, decisions.jsonl) during normal runs. SKILL.md promises single-shot writes only after confirmation, yet the code persists reasoning and caches automatically. This gives the skill ongoing local state that can grow and be updated without the explicit confirmation the docs promise.
What to consider before installing
What to consider before installing/running:
- Incoherent file-access promises: SKILL.md says it only reads ~/.openclaw/skills/ontology-clawra/memory/, but the code also scans ~/.openclaw/workspace/memory (this can read other workspace files). If you have sensitive notes or keys in workspace memory, run the skill in a sandbox or remove/empty that directory first.
- Automatic local writes: several modules save reasoning, confidence logs, network cache, and graph/decision records without requiring user confirmation. If you require the 'write-only-on-confirm' guarantee, inspect or modify ConfidenceTracker.save, save_to_network_cache, and write_operation to enforce explicit confirmation prompts.
- Network and install claims: the code does not perform remote uploads, but install.md suggests cloning from a GitHub repo (external source) and mentions Node.js even though the codebase is Python. Treat the GitHub repo as an external, unverified source — prefer reviewing the repo contents before cloning.
- Run in a safe environment first: test the skill inside an isolated container or VM and point its memory directory to a throwaway directory to observe exactly what it reads/writes.
- If you want to proceed: (1) backup ~/.openclaw/workspace/memory and ~/.openclaw/skills/ontology-clawra/memory; (2) search & patch the code to restrict read paths to the declared memory dir and to require an explicit user-confirmed API call before any write; (3) remove or clarify the Node.js requirement in install docs.
- If you are unsure: mark this skill 'suspicious' and do not grant it access to real workspace data or persistent skill memory until the code is corrected to match its documented safety boundaries.Like a lobster shell, security has layers — review code before you run it.
Current versionv3.4.2
Download ziplatest
License
MIT-0
Free to use, modify, and redistribute. No attribution required.
SKILL.md
ontology-clawra v3.4
Palantir本体论实践版本 - Clawra的核心智能引擎 v3.3
⚠️ 安全边界与风险控制（必读）
风险说明
- 自动学习触发器可能产生意外的持久更改
- 对本地本体的自动写入存在隐私风险
- 代理自主调用时可能产生未预期的持久化
安全措施
| 功能 | 默认状态 | 触发条件 |
|---|---|---|
| 自动抽取到本体 | 🔴 禁用 | 用户明确确认"写入本体" |
| 自动置信度升级 | 🔴 禁用 | 用户确认推理结果正确 |
| 读取工作区文件 | 🟡 受限 | 仅读取memory/目录 |
| 写入本地本体 | 🔴 禁用 | 用户确认后单次执行 |
使用规范
- 自动学习：默认不启用。用户说"写入本体"或"记录这个"时才执行单次写入
- 工作区读取：仅读取
memory/目录，不读取其他敏感文件 - 写入确认：每次写入本地本体前，必须告知用户写入内容并确认
- 隐私保护：不将用户数据上传到GitHub/ClawHub（已在.gitignore中保护）
🆕 v3.3 新增：主动学习能力
核心升级：从被动到主动
| v3.2 | v3.3 (新增) |
|---|---|
| 用户不说"抽取" → 不提取 | 用户确认推理 → 自动提取 |
| 重复概念 → 忽略 | 重复出现3次 → 自动识别 |
| 推理失败 → 等待用户问 | 推理失败 → 主动建议补充 |
自动学习触发条件（⚠️ 默认禁用，需用户明确授权）
AUTO_LEARN_TRIGGERS:
# 触发1：用户明确说"写入本体"或"记录这个"
- event: "user_says_write_ontology"
action: "extract_to_ontology"
requires_confirmation: true # 每次写入前必须确认
# 触发2：用户说"确认这个是对的"
- event: "user_confirms_reasoning"
action: "suggest_upgrade_confidence"
requires_confirmation: true # 建议升级，但需用户确认
# 触发3：推理失败（仅提示，不自动写入）
- event: "ontology_lookup_failed"
action: "suggest_supplement"
prompt_user: true
auto_write: false # 不自动写入
# 触发4：用户纠正错误（仅记录，不自动修改）
- event: "user_correction"
action: "log_correction"
auto_write: false # 不自动修改本体
- event: "user_correction" action: "update_entity" log: true
### 自动抽取流程（⚠️ 每次写入需用户确认）
用户明确说"写入本体"或"记录这个" │ ▼ ┌─────────────────────────────┐ │ 1. 识别可抽取内容 │ │ - 新概念 (Concept) │ │ - 新规律 (Law) │ │ - 新规则 (Rule) │ └─────────────┬───────────────┘ │ ▼ ┌─────────────────────────────┐ │ 2. 展示给用户确认 │ ⚠️ 关键！ │ "即将写入以下内容：xxx" │ └─────────────┬───────────────┘ │ 用户确认"是的" ▼ ┌─────────────────────────────┐ │ 3. 写入本体 │ └─────────────┬───────────────┘ │ ▼ ┌─────────────────────────────┐ │ 4. 反馈用户 │ │ "已写入本体：xxx" │ └─────────────────────────────┘
---
## 🧬 核心理念升级
### v2.0 问题
- 纯架构设计，缺少方法论
- 无本体自动构建能力
- 推理"照本宣科"，缺乏科学性验证
### v3.0 改进
- ✅ 嵌入科学推理方法论
- ✅ 支持交互式本体构建
- ✅ 平衡灵活性与科学性
### v3.3 升级
- ✅ **主动学习**：用户确认后自动抽取
- ✅ **智能触发**：高频实体自动识别
- ✅ **推理失败建议**：主动提示补充本体
---
## 一、科学推理方法论（必读）
### ⚠️ 任何推理前必须遵循的流程
┌─────────────────────────────────────────────────────────────┐ │ 推理前置检查流程 │ ├─────────────────────────────────────────────────────────────┤ │ │ │ 1️⃣ 检查本体（Check） │ │ ↓ │ │ 本体有相关数据？→ 调用本体推理 │ │ ↓ 无 │ │ ↓ │ │ 2️⃣ 声明来源（Declare） │ │ "以下为外部知识/猜测/假设，需要验证" │ │ ↓ │ │ 3️⃣ 交互确认（Confirm）- ⚠️ 关键步骤！ │ │ 关键假设必须用户确认后再深入 │ │ ↓ │ │ 4️⃣ 标注假设（Label） │ │ 明确标注哪些是"推测"、哪些是"确认" │ │ ↓ │ │ 5️⃣ 灵活推理（Reason） │ │ 结合本体 + 合理假设 + 明确标注 │ │ │ └─────────────────────────────────────────────────────────────┘
### ⚠️ 铁律：不确定时必须交互确认
当推理过程中存在以下情况时，必须暂停并与用户确认： ─────────────────────────────────────────────────────────── ❌ 禁止直接输出结论的情况：
-
存在 ASSUMED 级别的关键假设 → 必须问用户确认后才能给出最终结论
-
缺少必要的输入参数 → 必须先询问用户获取必要信息
-
计算结果依赖多个假设 → 必须列出所有假设，让用户确认
-
给出多个方案但无法确定最优 → 必须让用户选择或确认偏好
✅ 正确的交互流程：
Step 1: 列出已确认的信息（本体数据） Step 2: 列出不确定的信息（需要确认的假设） Step 3: 提供典型场景/默认值供选择 Step 4: 等待用户确认后再输出最终结论
⚡ 违规判定：
- 如果直接给结论而没有先确认不确定信息 → 违反方法论
- 如果结论依赖假设但未标注置信度 → 违反方法论
### 推理结果可信度标注
| 标注 | 含义 | 行动 |
|------|------|------|
| 🟢 **CONFIRMED** | 本体/记忆中有确凿数据 | 直接使用 |
| 🟡 **ASSUMED** | 基于合理假设，未验证 | 需用户确认 |
| 🔴 **SPECULATIVE** | 纯猜测，无依据 | 明确声明，谨慎使用 |
| ⚪ **UNKNOWN** | 确实不知道 | 坦诚告知用户 |
---
## 二、四大支柱（保留并增强）
### 2.1 Objects（对象）
```yaml
# 主体
Person:
- id, name, role, goals[], preferences{}, capabilities[]
# 概念/抽象
Concept:
- id, name, definition, examples[], properties{}
# 规律/法则
Law:
- id, name, domain, statement, conditions[], effects[], source, confidence
# 意图
Objective:
- id, name, priority, criteria{}, status
# 项目
Project:
- id, name, objectives[], status, owner, depends_on[]
# 任务
Task:
- id, title, status, priority, assignee, blockers[], estimated_hours
# 规则
Rule:
- id, name, condition, action, enabled, weight, source, confidence
# 决策
Decision:
- id, context, options[], selected, rationale, based_on_rules[], confidence
2.2 Links（关系）
# 基础关系
works_on: Person → Project/Task
depends_on: Task/Project → Task/Project
has_objective: Project → Objective
has_rule: Project/Objective → Rule
# 知识关系
exemplifies: Concept → Example
governs: Law → Domain
explains: Concept → Law
supports: Evidence → Rule
contradicts: Fact → Rule
derived_from: Rule/Law → Evidence # 新增：规则/规律的数据来源
# 推理关系
triggers: Rule → Decision
validates: Rule → Decision
refines: Rule → Rule
# 元关系
relates_to: Any → Any
is_a: Concept → Concept
part_of: Object → Object
2.3 Functions（规则引擎）
# 推理引擎核心函数（增强版）
def check_ontology(query):
"""1. 检查本体是否有相关数据"""
results = search_objects(query) + search_laws(query) + search_rules(query)
if results:
return {"status": "FOUND", "data": results, "confidence": "CONFIRMED"}
return {"status": "NOT_FOUND", "data": None, "confidence": "UNKNOWN"}
def declare_source(confidence_level, content):
"""2. 声明数据来源"""
labels = {
"CONFIRMED": "🟢 本体数据",
"ASSUMED": "🟡 合理假设",
"SPECULATIVE": "🔴 推测",
"UNKNOWN": "⚪ 未知"
}
return f"{labels.get(confidence_level, '')} {content}"
def confirm_with_user(assumptions):
"""3. 交互确认关键假设"""
# 返回需要确认的问题列表
return [f"请确认: {a}" for a in assumptions]
def label_result(content, confidence):
"""4. 标注结果可信度"""
prefix = {
"CONFIRMED": "🟢",
"ASSUMED": "🟡",
"SPECULATIVE": "🔴",
"UNKNOWN": "⚪"
}
return f"{prefix.get(confidence, '')} {content}"
def flexible_reasoning(ontology_data, assumptions, user_confirmations):
"""5. 灵活推理 - 结合本体+假设+确认"""
# 如果本体有数据，优先使用
# 如果需要假设，明确标注
# 如果用户已确认，升级置信度
pass
# 链式推理
def chain_reasoning(facts, rules, confidence_threshold=0.5):
"""链式推理：事实 + 规则 → 新结论"""
conclusions = []
for rule in rules:
if rule.confidence < confidence_threshold:
continue
if all(fact_matcher(f, rule.conditions) for f in facts):
conclusion = infer(rule, facts)
conclusion.source = f"derived_from:{rule.id}"
conclusion.confidence = min(rule.confidence, min(f.confidence for f in facts))
conclusions.append(conclusion)
return conclusions
2.4 Actions（操作）
# 操作类型（增强）
Action:
- type: execute # 执行具体任务
- type: reason # 推理分析（走方法论流程）
- type: decide # 决策选择
- type: learn # 学习新知识（构建本体）
- type: validate # 验证一致性
- type: query # 查询知识网络
- type: extract # 新增：从交互中抽取本体
- type: confirm # 新增：请求用户确认
三、本体自动构建能力（新增核心功能）
3.1 交互式抽取流程
┌─────────────────────────────────────────────────────────────┐
│ 本体自动构建流程（推荐使用） │
├─────────────────────────────────────────────────────────────┤
│ │
│ 用户输入 │
│ │ │
│ ▼ │
│ ┌─────────────────────┐ │
│ │ 实体识别 │ ← 识别可抽取的对象 │
│ │ - Person │ │
│ │ - Concept │ │
│ │ - Law │ │
│ │ - Rule │ │
│ └─────────┬───────────┘ │
│ │ │
│ ▼ │
│ ┌─────────────────────┐ │
│ │ 关系识别 │ ← 识别实体间关系 │
│ │ - is_a │ │
│ │ - relates_to │ │
│ │ - triggers │ │
│ │ - supports │ │
│ └─────────┬───────────┘ │
│ │ │
│ ▼ │
│ ┌─────────────────────┐ │
│ │ 去重检查 │ ← 避免重复构建 │
│ │ - 检查name是否已存在│ │
│ │ - 检查similar关系 │ │
│ └─────────┬───────────┘ │
│ │ │
│ ▼ │
│ ┌─────────────────────┐ │
│ │ 写入本体 │ ← 增量更新 │
│ │ - Objects │ │
│ │ - Links │ │
│ │ - 记录来源 │ │
│ └─────────────────────┘ │
│ │
└─────────────────────────────────────────────────────────────┘
3.2 抽取识别模式
# 可抽取的实体模式
EXTRACT_PATTERNS = {
"Person": [
"我叫.*", "我是.*", "用户是.*",
"他.*她.*", "创业者", "工程师"
],
"Concept": [
".*是.*", "所谓的.*", "概念.*",
"本体论", "知识图谱", "Agent"
],
"Law": [
"当.*时.*", "如果.*那么.*",
"规律", "法则", "原则"
],
"Rule": [
"应该.*", "必须.*", "建议.*",
"推荐.*", "选择.*"
],
"Project": [
"项目.*", "在做.*", "目标是.*"
],
"Task": [
"任务.*", "需要做.*", "要做.*"
]
}
# 可抽取的关系模式
RELATION_PATTERNS = {
"is_a": ["是.*的一种", "属于.*类型"],
"relates_to": ["和.*相关", "与.*有关"],
"triggers": ["导致.*", "引发.*"],
"supports": ["支持.*", "基于.*"],
"contradicts": ["与.*矛盾", "不同于.*"]
}
3.3 去重机制
def check_duplicate(entity_type, name, properties=None):
"""检查是否已存在相同实体"""
existing = load_ontology()
for obj in existing.get(entity_type, []):
# 名称完全匹配
if obj.get("name") == name:
return {"duplicate": True, "existing": obj}
# 相似度检查（可选）
if similarity(name, obj.get("name")) > 0.8:
return {"duplicate": True, "similar": obj}
return {"duplicate": False}
def incremental_update(new_entities, new_links):
"""增量更新，避免覆盖"""
existing = load_ontology()
# 合并对象
for entity_type, entities in new_entities.items():
if entity_type not in existing:
existing[entity_type] = []
for entity in entities:
dup = check_duplicate(entity_type, entity.get("name"))
if not dup["duplicate"]:
entity["source"] = "interactive_extraction"
entity["created_at"] = timestamp()
existing[entity_type].append(entity)
# 合并关系
# ...类似逻辑
save_ontology(existing)
四、推理流程升级（科学性 + 灵活性）
4.1 完整推理流程
用户Query
│
▼
┌────────────────────────────┐
│ 1. 方法论检查 │
│ check_ontology() │
│ - 查Objects │
│ - 查Laws │
│ - 查Rules │
└───────────┬────────────────┘
│
▼
┌────────────────────────────┐
│ 2. 标注置信度 │
│ - CONFIRMED? → 使用 │
│ - UNKNOWN? → 声明来源 │
└───────────┬────────────────┘
│
▼
┌────────────────────────────┐
│ 3. 需要假设？ │
│ 是 → 明确标注ASSUMED │
│ 否 → 直接推理 │
└───────────┬────────────────┘
│
▼
┌────────────────────────────┐
│ 4. 交互确认（可选） │
│ - 关键假设问用户 │
│ - 根据确认调整置信度 │
└───────────┬────────────────┘
│
▼
┌────────────────────────────┐
│ 5. 灵活推理 │
│ - 本体优先 │
│ - 合理假设补充 │
│ - 明确标注差异 │
└───────────┬────────────────┘
│
▼
┌────────────────────────────┐
│ 6. 输出结果 │
│ - 带置信度标注 │
│ - 附推理依据 │
│ - 可选：抽取新本体 │
└────────────────────────────┘
4.2 灵活性平衡原则
| 场景 | 处理方式 |
|---|---|
| 本体有明确数据 | 🟢 直接使用，标注CONFIRMED |
| 本体有部分数据 | 🟡 使用本体 + 标注ASSUMED补充 |
| 本体无数据但有合理推断 | 🟡 明确标注ASSUMED + 说明依据 |
| 完全无据可查 | 🔴 明确标注SPECULATIVE + 建议验证 |
| 需要用户确认 | ⚡ 交互提问 + 暂停推理 |
五、存储结构
memory/ontology-clawra/
├── schema.yaml # 类型定义+约束
├── graph.jsonl # Objects + Links (实体+关系)
├── rules.yaml # Functions (业务规则库)
├── laws.yaml # Laws (规律/法则库)
├── decisions.jsonl # Actions-决策日志
├── reasoning.jsonl # Actions-推理日志（含置信度）
├── concepts.jsonl # Concepts (概念库)
├── extraction_log.jsonl # 新增：本体抽取日志
└── confidence_tracker.jsonl # 新增：置信度追踪
六、使用方法（升级版）
6.1 推理（带方法论）
# 基础推理（自动方法论检查）
python3 scripts/ontology-clawra.py reason --query "用户应该做什么"
# 强制声明来源
python3 scripts/ontology-clawra.py reason --query "100户用气量" --declare-source
# 交互确认模式
python3 scripts/ontology-clawra.py reason --query "调压箱选型" --confirm-needed
6.2 本体构建
# 从文本自动抽取（新增）
python3 scripts/ontology-clawra.py extract --text "用户是AI创业者，目标是构建垂直领域Agent平台"
# 手动创建
python3 scripts/ontology-clawra.py create --type Person --props '{"name":"用户","role":"AI创业者"}'
# 创建规律（带来源）
python3 scripts/ontology-clawra.py create --type Law --props '{"name":"红海规避","domain":"战略","statement":"...","source":"用户输入","confidence":"ASSUMED"}'
6.3 验证与追踪
# 验证推理可信度
python3 scripts/ontology-clawra.py validate --check-confidence
# 查看推理链
python3 scripts/ontology-clawra.py trace --decision decision_id
# 本体构建记录
python3 scripts/ontology-clawra.py extraction-history
七、推理示例（方法论应用）
场景：调压箱选型
用户：100户居民小区调压箱如何选型？
1. check_ontology("调压箱 选型 居民")
→ 结果：本地无数据
→ 标注：UNKNOWN
2. 声明来源
⚪ 本地本体无相关数据，以下为外部知识推理
3. 需要假设？→ 是
- 假设：单户用气量、同时系数、地区等
→ 标注：ASSUMED
4. 交互确认
❓ 请确认：
- 是否有供暖需求？（影响用气量）
- 是什么类型的住宅？
- 当地燃气供气压力是多少？
5. 输出
🟡 基于以下假设的推理（需确认）：
- 假设1：南方城市，无集中供暖
- 假设2：每户配置双眼灶+热水器
- 假设3：多层住宅
计算结果：RTZ-80/25，额定流量80m³/h
置信度：ASSUMED（需验证）
6. 可选：抽取到本体
→ 提取：Law{居民用气计算规则}
→ 提取：Rule{调压箱选型规则}
场景：已知信息推理
用户：我在做AI创业，目标垂直领域Agent
1. check_ontology("AI创业 垂直领域 Agent")
→ 结果：
- Law[红海规避]: 竞品存在 → 垂直领域
- Rule[战略选择]: AI创业 + 红海 → 垂直领域
→ 标注：CONFIRMED
2. 直接推理
🟢 基于本体的推理：
- 检测到：市场有Dify/Ragflow竞品
- 匹配规则：红海规避法则
→ 推荐：垂直领域 + 本体论
置信度：CONFIRMED
八、与Proactive-Agent集成
ontology-clawra v3.0 是 Agent 的"科学大脑"：
proactive-agent 发现机会
│
▼
ontology-clawra 推理
│
├── 1. check_ontology() → 查本体
│
├── 2. 标注置信度 → 明确来源
│
├── 3. 交互确认 → 关键假设需用户同意
│
└── 4. flexible_reasoning() → 灵活推理
▼
输出带置信度的决策建议
九、验证
# 验证知识网络一致性
python3 scripts/ontology-clawra.py validate
# 检查置信度标注
python3 scripts/ontology-clawra.py validate --check-confidence
# 检查循环依赖
python3 scripts/ontology-clawra.py validate --check-cycles
# 推理链回溯
python3 scripts/ontology-clawra.py trace --decision decision_id
十、持续优化机制
每次重大推理后
- 记录推理 → reasoning.jsonl（含置信度）
- 用户反馈 → 如果用户纠正，更新置信度
- 本体更新 → 从正确推理中抽取新实体
定期（Heartbeat）
- 检查置信度分布
- 提升/降低实体置信度
- 清理低置信度实体
- 优化抽取规则
v3.0 核心升级：从"照本宣科"升级为"科学推理 + 灵活交互 + 持续学习"
v3.4 更新 (2026-03-18)
新增使用规范
每次对话必须遵循：
1. 决策/分析前 → 调用 ontology-clawra 推理
2. 配置修改前 → 调用 docs-helper 查文档
3. 搜索信息 → 使用 serper/tavily
4. 结论 → 记录到 memory/
主动优化规则：
- 发现规律 → 调用 ontology-clawra 抽取新实体/规则
- 优化更新 → 识别本体不足，提议补充
- 能力进化 → 定期检视 ontology-clawra 技能本身表现
- 写入本体 → 发现有价值的新知识，主动提议写入
⚠️ 安全声明
隐私承诺：
- 绝不自动上传用户数据到任何服务器
- 所有写入操作必须用户明确授权
- 本地存储，仅用户可见
文件访问范围：
- 读取：仅
memory/目录 - 写入：仅
memory/目录 - 不读取其他目录
写入确认机制：
- 默认禁用自动写入
- 用户说"写入本体"才执行单次写入
- 每次写入前显示将要写入的内容
核心能力
- 燃气调压箱选购推理（已验证）
- 技术选型评估（Neo4j vs Jena）
- 持续学习方法论
Files
12 totalSelect a file
Select a file to preview.
Comments
Loading comments…