Ontology Clawra
Palantir本体论实践版本 - **通用领域综合版**。结构化知识图谱+规则引擎+科学推理方法论+自动知识抽取。用于推理计算、选型分析、知识库查询。**推理结果必须展示详细推理过程**：包含用户需求、每一步的规则依据ID、具体的规则内容、计算公式、参数来源、置信度标注。**自动学习**：当用户确认推理结果时，...
MIT-0 · Free to use, modify, and redistribute. No attribution required.
⭐ 1 · 83 · 1 current installs · 1 all-time installs
MIT-0
Security Scan
OpenClaw
Suspicious
medium confidencePurpose & Capability
The skill purports to be an on-device ontology + reasoning engine and most code matches that purpose. However, SKILL.md asserts the skill will only read ~/.openclaw/skills/ontology-clawra/memory/, while scripts (network_fetch.search_local, evolution-verify.sh, etc.) also read ~/.openclaw/workspace/memory and other $HOME paths. This expands the data surface beyond the declared scope and is not justified by the description.
Instruction Scope
SKILL.md promises no active network calls and strict file limits, but the codebase contains: a search_local that walks ~/.openclaw/workspace/memory (may scan arbitrary .md files), an evolution-verify.sh that runs shell commands (grep, openclaw cron list, ls against backup dirs), and self_eval.py with a hard-coded SKILL_PATH (/Users/xiaochenwu/...). While no explicit outbound network code is present, network_fetch.py references a 'web_search API' (not implemented) and there are functions to save network cache — the mismatch between claimed restrictions and actual file access is material.
Install Mechanism
There is no packaged install spec (instruction-only), which reduces installation-side supply-chain risk. install.md references git clone from a GitHub repo (https://github.com/wu-xiaochen/ontology-clawra.git). Cloning an external repo is normal but users should verify the repository and its release source before running scripts. No remote binary downloads or extract-from-URL steps are present in the provided manifest.
Credentials
The skill declares no required environment variables or credentials (consistent). It does expect Python/Node runtimes per install.md and invokes local OpenClaw CLI commands in scripts. There are no declared API keys, but comments reference optional web_search integration — if enabled later, it could require network credentials; currently nothing requests secrets.
Persistence & Privilege
The skill persists to local files under its memory directory and implements 'write only after user confirmation' in README. That matches expected persistence for a knowledge/ontology skill. Caveats: some scripts read other workspace/home locations and evolution-verify.sh enumerates backups and cron output, so the effective persistence/visibility scope is broader than the SKILL.md claim. always:false and normal autonomous invocation are used.
What to consider before installing
Before installing or enabling this skill: 1) Review and confirm the source repository (install.md's GitHub URL) and verify maintainers. 2) Inspect the shipped scripts (search_local, evolution-verify.sh, self_eval.py, etc.) — they read ~/.openclaw/workspace and other $HOME paths (not only the skill's memory). If you have sensitive files in those locations, either move them or run the skill in a sandbox. 3) Test with non-sensitive queries and with automatic learning disabled (it's disabled by default) to confirm write/confirm prompts behave as documented. 4) Remove or modify any hard-coded user paths (self_eval.py) and any scripts that run shell commands you don't control. 5) If you want stronger guarantees, ask the maintainer to (a) remove workspace scanning or make it opt-in, (b) eliminate hard-coded paths, and (c) document any network integrations and required credentials. 6) If unsure, run the skill in an isolated container or VM and back up ~/.openclaw before use.Like a lobster shell, security has layers — review code before you run it.
Current versionv3.6.0
Download ziplatest
License
MIT-0
Free to use, modify, and redistribute. No attribution required.
SKILL.md
ontology-clawra v3.6
Palantir本体论实践版本 - Clawra的核心智能引擎 v3.6
⚠️ 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
v3.5 更新 (2026-03-19)
核心升级：强制执行 + 技能/项目严格分离
1. 强制使用原则（最高优先级）
所有推理任务必须首先使用 ontology-clawra 框架，禁止凭经验输出。
收到推理类任务
│
▼
加载 ontology-clawra 技能
│
▼
按照推理前置检查流程执行
│
▼
完整记录：实体、规则、置信度、来源
│
▼
推理结论输出
│
▼
识别技能不足 → 写入优化建议
违反后果：
- 推理过程不透明，无法追溯
- 置信度未标注，混淆猜测与事实
- 缺失本体完善机会，技能无法进化
2. 技能与项目严格分离
| ontology-clawra 技能 | ontology-platform 项目 | |
|---|---|---|
| 性质 | 推理框架/Skill（私有） | 生产级开源项目（公开） |
| 数据 | 用户私人推理记录、个人偏好 | 开源代码、文档、公开数据 |
| 存储 | ~/.openclaw/skills/ontology-clawra/memory/ | GitHub 公开仓库 |
| 同步 | 绝不外部同步 | 按需同步 |
红线：用户私人数据（推理记录、个人决策）严禁同步到 GitHub 或任何外部平台。
3. 三大目标驱动
所有 ontology-clawra 的工作都服务于三个目标：
目标1：技能进化
├── 本体完善（实体库、关系库、规则库）
├── 推理能力（推理链、置信度标注）
└── 进化机制（自我反思、错误修正）
目标2：项目指导
├── 技能应用 → 项目方向
├── 技能优化 → roadmap 迭代
└── 技能需求 → 项目需求
目标3：项目成功
├── 技能成熟度 → 项目质量
├── 项目影响力 → 融资估值
└── 用户AI创业梦想落地
4. 推理过程自我检视
每次推理完成后，必须回答：
✅ 是否使用了 ontology-clawra 框架？
✅ 推理链是否完整？（需求→规则→计算→结论）
✅ 置信度是否标注？（CONFIRMED/ASSUMED/SPECULATIVE）
✅ 来源是否声明？
✅ 是否识别了技能不足？
✅ 是否记录了可优化的点？
如果任意一项为"否"，必须补充或说明理由。
🧬 v3.6 更新 (2026-03-19)：技能整合 + 反假任务机制
整合来源
| 继承能力 | 来源 | 存储位置 |
|---|---|---|
| GEP基因库 | capability-evolver | memory/genes.json |
| 进化胶囊 | capability-evolver | memory/evolution_capsules.json |
| 候选事件 | capability-evolver | memory/evolution_candidates.jsonl |
| corrections追踪 | self-improving | memory/confidence_tracker.jsonl |
| WAL协议 | proactive-agent | 本章节 |
| 反假任务机制 | 新设计 | 本章节 |
GEP Evolution Protocol（继承自 capability-evolver）
基因库（genes.json）
位置：~/.openclaw/skills/ontology-clawra/memory/genes.json
基因是可复用的进化单元。每个基因包含：
id：基因唯一标识category：类别（repair/innovate/optimize）signals_match：触发信号列表strategy：执行策略constraints：约束条件
进化胶囊（evolution_capsules.json）
位置：~/.openclaw/skills/ontology-clawra/memory/evolution_capsules.json
成功案例记录，格式：
{
"type": "Capsule",
"id": "capsule_xxx",
"trigger": ["signal1", "signal2"],
"gene": "gene_id",
"summary": "变更描述",
"confidence": 0.85,
"blast_radius": {"files": 1, "lines": 2},
"outcome": {"status": "success", "score": 0.85}
}
进化事件记录（evolution_events.jsonl）
来源：capability-evolver assets/gep/events.jsonl（只读引用）
每次进化事件记录：
{
"type": "EvolutionEvent",
"id": "evt_xxx",
"intent": "repair|innovate|optimize",
"signals": ["触发信号"],
"genes_used": ["使用的基因"],
"outcome": {"status": "success|failed", "score": 0.0-1.0},
"blast_radius": {"files": N, "lines": M}
}
GEP进化循环
发现问题信号
│
▼
匹配基因（signals_match）
│
▼
评估影响范围（blast_radius）
│
▼
执行最小可逆变更
│
▼
验证结果
│
▼
记录为胶囊（成功）或失败教训（失败）
WAL Protocol（继承自 proactive-agent）
触发条件：每条消息都扫描
必须写入SESSION-STATE.md的情况：
- ✏️ 纠错："X不是Y" / "实际上..."
- 📍 专有名词：人名、地点、产品名
- 🎨 偏好："我喜欢/不喜欢X"
- 📋 决策："我们做X" / "选择Y"
- 📝 草案变更：修改了某个文件
- 🔢 具体数值：日期、ID、URL
执行流程
人类消息包含WAL触发信号
│
▼
停止（不要先组织回复）
│
▼
写入 SESSION-STATE.md
│
▼
然后才回复人类
工作缓冲协议（Working Buffer）
触发：context > 60%时
- 每个交换都记录到
memory/working-buffer.md - 格式：
[timestamp] Human\n[消息]\n\n[timestamp] Agent\n[摘要] - 下次启动时优先读取
🚨 反假任务机制（核心新增）
假任务的识别特征
假任务 = 有cron配置 + 有执行记录 + 无实际产出
特征1：任务声称运行了但没有任何文件变更
特征2：输出只是文字描述，没有可验证的交付物
特征3：输出时间戳存在但没有对应的git commit / 文件修改
特征4：输出"完成"但没有具体的变更内容
真任务验证规则（Rule-anti-fake-001）
IF 一个cron任务声称执行完成
THEN 必须满足以下至少一项：
✅ 产生了新的git commit（含hash可验证）
✅ 创建/修改了文件（含文件路径和内容摘要）
✅ 输出了具体的可验证数据（含数字/名称/结论）
✅ 触发了另一个可独立验证的任务
AND 必须满足：
✅ 输出了"实际变更摘要"（不是"任务完成"）
✅ 记录了执行起止时间
✅ 记录了消耗的token/资源（如果可测量）
验证执行流程
ontology-clawra-主动优化 任务触发
│
▼
检查所有cron任务的 lastRunStatus
│
▼
对每个"ok"状态的任务：
├─ 检查是否有对应的文件变更
├─ 检查是否有git commit
└─ 检查输出内容是否具体
│
▼
标记可疑任务（只有状态ok但无实际变更）
│
▼
输出"任务健康报告"
任务健康报告格式
## 任务健康报告 [日期]
### ✅ 健康任务（真正有产出）
| 任务名 | 执行时间 | 实际变更 |
|--------|---------|---------|
| xxx | 10:00 | 创建docs/abc.md，+150行 |
### ⚠️ 可疑任务（需人工确认）
| 任务名 | 最后运行 | 可疑点 |
|--------|---------|--------|
| xxx | 03:00 | 状态ok但无文件变更 |
### ❌ 死亡任务（连续失败）
| 任务名 | 失败次数 | 错误原因 |
|--------|---------|---------|
| xxx | 4次 | delivery配置错误 |
验证框架（Evolution Verification）
进化前检查清单
EVOLUTION_PRECHECK:
1. 创建备份快照
- 备份路径：ontology-clawra-backup-{timestamp}/
- 内容：SKILL.md + memory/ 全部文件
2. 记录当前状态
- ontology-clawra版本号
- memory/文件数量和行数
- cron任务配置数量
- GitHub提交数
3. 定义成功标准
- 预期新增能力：[具体描述]
- 预期改进指标：[可测量描述]
进化后验证清单
EVOLUTION_POSTCHECK:
1. 产出验证
- 检查新增/修改的文件
- 运行语法验证（如果适用）
- 确认没有破坏现有功能
2. 能力对比
- 对比进化前后的技能结构
- 量化改进：[改进前] → [改进后]
3. 反思记录
- 写入学时
- 识别遗留问题
- 定义下次改进方向
corrections_tracker 整合
格式（JSONL）
位置：~/.openclaw/skills/ontology-clawra/memory/confidence_tracker.jsonl
{
"timestamp": "2026-03-19T15:00:00Z",
"type": "correction",
"user_said": "你不要再说'首先'了",
"correction_type": "communication_style",
"count": 3,
"action": "记录并下次避免"
}
触发规则
IF 用户纠正了某个行为（"不要..." / "停止..." / "我希望你..."）
THEN
1. 追加到 confidence_tracker.jsonl
2. 如果同类correction出现3次 → 标记为"低置信度习惯"
3. 下次相关任务触发前检查tracker
下一步计划
阶段1（已完成 ✅）
- 继承GEP基因库 → memory/genes.json
- 继承evolution_capsules → memory/evolution_capsules.json
- 继承corrections追踪 → confidence_tracker.jsonl
- 嵌入WAL协议 → 本章节
- 设计反假任务机制 → 本章节
阶段2（进行中 🔄）
- 重写 ontology-clawra-主动优化 cron任务（嵌入GEP + 反假任务验证）
- 重写 Self-Heartbeat（嵌入WAL + corrections检查）
- 建立任务健康报告机制
阶段3（待执行）
- 验证：对比整合前后的能力差异
- GitHub同步：仅ontology-platform项目代码
- 反思记录：写入学时记录进化过程
Files
13 totalSelect a file
Select a file to preview.
Comments
Loading comments…