Install
openclaw skills install @wu-xiaochen/ontology-clawra-backup-20260319-151919Ontology Clawra Backup 20260319 151919
执行结构化知识图谱推理，严格遵循科学方法与用户确认，支持本体完善、安全写入与置信度标注。
ontology-clawra v3.5
Palantir本体论实践版本 - Clawra的核心智能引擎 v3.5
⚠️ 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。
Related skills
- Downloads
- Security audit
- Review
- Last updated
- 1mo ago
- Current version
- v1.0.0
- License
- MIT-0