ontology-pro

基于文本构建并持续更新知识图谱，支持多步推理和因果分析，输出可执行的最优策略与行动建议。

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：

1. 知识建模：需要从文本中提取实体、概念、关系，构建知识图谱
2. 深度分析：涉及因果推理、变量识别、路径探索等认知推理
3. 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）
4. 持续学习：需要跨会话积累知识、增量更新认知模型
5. 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）
6. 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

text

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

1. 接收用户输入（文本、文档、对话）
2. 使用 references/cognitive-graph.md 中的协议进行三元组抽取
3. 抽取结果：实体列表 + 关系列表 + 三元组集合
4. 输出格式：结构化 JSON

Step 2: GRAPH — 图谱构建/更新

1. 如果是首次分析：创建新图谱
2. 如果已有历史图谱（通过 memory 协议加载）：增量更新
3. 去重合并：相同实体合并属性，新增关系追加
4. 保存到记忆层
5. 可选：使用 scripts/graph_visualize.py 生成 Mermaid 可视化

Step 3: THINK — 推理

1. 加载当前知识图谱作为上下文
2. 使用 references/reasoning-engine.md 中的推理模板
3. 执行多步推理：
   • 因果关系识别
   • 关键变量提取
   • 潜在路径探索
4. 输出推理链（可追溯的推理过程）

Step 4: STRATEGY — 决策输出

1. 基于推理结果，使用 references/strategy-output.md 中的模板
2. 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）
3. 策略分级：P0 紧急 / P1 重要 / P2 可选

Step 5: MEMORY — 持久化

1. 使用 references/memory-protocol.md 中的协议
2. 将本次分析的增量知识保存到持久存储
3. 更新图谱版本号和变更日志
4. 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：

json

{
  "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

text

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

text

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

1. 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
2. 记忆 > 遗忘：每次交互的知识都持久化积累，避免重复分析
3. 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
4. 轻量 > 重量：JSON 存储 + Mermaid 可视化，无需外部数据库依赖
5. 透明 > 黑箱：推理链完整可追溯，每个结论都有证据支撑