ontology-pro — 认知本体引擎技能
一个具备"知识建模 + 推理 + 决策输出"的认知引擎，AI Agent 的认知中枢插件。
触发条件
当用户的请求涉及以下场景时，自动加载此技能：
- 知识建模：需要从文本中提取实体、概念、关系，构建知识图谱
- 深度分析：涉及因果推理、变量识别、路径探索等认知推理
- 决策支持：需要基于分析生成可执行策略（最优路径 + 风险 + 行动建议）
- 持续学习：需要跨会话积累知识、增量更新认知模型
- 领域本体：需要为特定领域构建专业化的知识体系（医疗、能源、AI 等）
- 显式触发：用户提及 "ontology"、"知识图谱"、"认知建模"、"推理"、"本体" 等关键词
四大核心特性
| 特性 | 说明 |
|---|
| 🧠 Cognitive Graph | 从输入中抽取实体-概念-关系三元组，构建动态知识图谱 |
| 🔁 Dynamic Memory | 持久化存储知识图谱，跨会话持续积累，越用越懂 |
| 🔍 Reasoning Engine | 多步推理：因果分析 → 变量识别 → 路径探索，输出推理链 |
| 🎯 Strategy Output | 推理结果映射为可执行策略：最优路径 + 风险点 + 行动建议 |
工作流（Workflow）
命令映射
用户可以通过自然语言触发以下能力，AI 根据意图自动路由：
| 用户意图 | 对应命令 | 参考文档 |
|---|
| "分析这段内容"、"提取关键概念"、"构建知识图谱" | analyze | references/cognitive-graph.md |
| "深入推理"、"分析因果关系"、"评估路径" | think | references/reasoning-engine.md |
| "给我决策建议"、"应该怎么做"、"策略分析" | strategy | references/strategy-output.md |
| "记住这个"、"查看已学知识"、"更新记忆" | memory | references/memory-protocol.md |
完整流程
输入 → analyze（知识抽取）→ graph（图谱构建/更新）→ think（推理）→ strategy（决策输出）→ memory（持久化）
Step 1: ANALYZE — 认知建模
- 接收用户输入（文本、文档、对话）
- 使用
references/cognitive-graph.md 中的协议进行三元组抽取
- 抽取结果：实体列表 + 关系列表 + 三元组集合
- 输出格式：结构化 JSON
Step 2: GRAPH — 图谱构建/更新
- 如果是首次分析：创建新图谱
- 如果已有历史图谱（通过 memory 协议加载）：增量更新
- 去重合并：相同实体合并属性，新增关系追加
- 保存到记忆层
- 可选：使用
scripts/graph_visualize.py 生成 Mermaid 可视化
Step 3: THINK — 推理
- 加载当前知识图谱作为上下文
- 使用
references/reasoning-engine.md 中的推理模板
- 执行多步推理：
- 输出推理链（可追溯的推理过程）
Step 4: STRATEGY — 决策输出
- 基于推理结果，使用
references/strategy-output.md 中的模板
- 生成可执行策略：
- 最优路径（推荐方案）
- 风险点（潜在问题）
- 行动建议（具体步骤）
- 策略分级：P0 紧急 / P1 重要 / P2 可选
Step 5: MEMORY — 持久化
- 使用
references/memory-protocol.md 中的协议
- 将本次分析的增量知识保存到持久存储
- 更新图谱版本号和变更日志
- 下次会话可加载历史知识继续推理
知识图谱数据格式
图谱以 JSON 格式存储，核心结构如下：
{
"version": "1.0.0",
"domain": "general",
"updated_at": "2026-03-30T16:00:00+08:00",
"entities": [
{
"id": "e001",
"name": "储能系统",
"type": "concept",
"attributes": { "category": "能源", "aliases": ["ESS", "储能"] }
}
],
"relations": [
{
"source": "e001",
"target": "e002",
"type": "includes",
"weight": 0.8,
"evidence": "储能系统包含电池管理系统"
}
],
"metadata": {
"total_entities": 42,
"total_relations": 67,
"sessions_analyzed": 8
}
}
参考文档
| 文件 | 用途 |
|---|
references/cognitive-graph.md | 认知图谱构建协议：三元组抽取规则、实体类型分类、关系类型定义 |
references/reasoning-engine.md | 推理引擎 prompt 模板：因果分析、变量识别、路径探索、推理链输出 |
references/strategy-output.md | 决策输出模板：策略生成、风险评估、行动项格式化 |
references/memory-protocol.md | 持久记忆协议：存储格式、增量更新、上下文注入、版本管理 |
脚本工具
| 文件 | 用途 |
|---|
scripts/graph_visualize.py | JSON 图谱 → Mermaid 图生成（可渲染为可视化图谱） |
scripts/memory_manager.py | 知识持久化管理：创建/加载/更新/查询图谱、会话历史管理 |
使用示例
示例 1：领域知识建模
用户: 帮我梳理一下储能产业链的知识结构
AI: 好的，我来对储能产业链进行认知建模。
[analyze] 正在抽取实体和关系...
实体: 储能电池、BMS、PCS、EMS、锂电池、液流电池、压缩空气储能...
关系: 储能系统-包含-BMS, 储能系统-包含-PCS, 锂电池-属于-储能电池...
[graph] 知识图谱已构建，包含 23 个实体、34 条关系。
[think] 基于图谱进行产业链推理...
因果链: 政策补贴 → 市场需求 ↑ → 产能扩张 → 价格下降 → 渗透率 ↑
关键变量: 电池成本、政策力度、技术迭代速度
[strategy] 决策建议:
P0: 关注磷酸铁锂成本曲线，已进入下降通道
P1: 液流电池在长时储能领域有结构性机会
P2: 压缩空气储能适合大规模电网侧应用
示例 2：持续学习
用户: 记住，浙江的电力现货市场规则是日前+实时两阶段
AI: [memory] 已更新知识图谱：
+ 实体: 浙江电力现货市场
+ 关系: 浙江-采用-两阶段现货(日前+实时)
+ 属性: market_type=spot, region=浙江, phases=[日前, 实时]
当前图谱: 45 实体, 72 关系, 10 次分析记录
设计哲学
- 推理 > 检索：不只是搜索已有知识，而是能进行多步推理，发现隐含关系
- 记忆 > 遗忘：每次交互的知识都持久化积累，避免重复分析
- 决策 > 分析：最终目标是给出可执行策略，而非停留在分析层面
- 轻量 > 重量：JSON 存储 + Mermaid 可视化，无需外部数据库依赖
- 透明 > 黑箱：推理链完整可追溯，每个结论都有证据支撑
