SuperChason 意图驱动的最小本体检索与加载
方法骨架
- 根据当前用户意图只加载完成决策所需的最小本体、事实和工具。
- 先把目标拆成边界清晰、互不重叠、可独立执行的意图。
- 再将意图映射到子本体、事实时间窗、规则和Action能力。
- 规则清晰、低容错任务优先图查询；模糊表达可先向量召回再图精查。
- 加载范围随风险、上下文和任务进展渐进扩展，避免全量上下文冲突。
- 输出应记录意图、加载版本、检索依据和未加载原因。
触发场景
用户会在什么情境下需要这个 Skill
- Agent上下文过长或本体加载过多
- 同一问法可能对应不同业务意图
- 需要设计子本体路由和图向量混合检索
语言信号
- “只加载当前需要的本体”
- “这个意图该路由到哪个子本体”
- “图检索和向量检索怎么组合”
- 英文信号：minimal ontology, intent routing, hybrid retrieval
与相邻 Skill 的区分
- 与
ontology-constraint-and-knowledge-injection：本 skill 决定取哪些知识；知识注入策略决定怎样把知识交给模型。 - 与
fact-reason-goal-explainable-decision：本 skill 负责运行时上下文选择；事实事理目标负责在上下文内完成决策。
执行步骤
按当前任务选择必要步骤；已有可靠成果直接复用：
解析意图
- 动作：提取对象、目标、时间、范围、风险和期望输出，识别歧义。
- 完成标准：意图可执行且不与其他子意图重叠；歧义已澄清。
建立路由
- 动作：映射到最小子本体、事实源、规则集、Action和版本。
- 完成标准：每项资源都能说明与当前决策的必要关系。
选择检索
- 动作：规则明确时图精查；表达模糊时向量召回后图校验；需要历史经验时补充记忆。
- 完成标准：检索策略与风险、清晰度和时效相匹配。
控制加载
- 动作：设置Token预算、时间窗、层级深度和渐进扩展条件。
- 完成标准：上下文只包含必要知识，冲突和过期版本已排除。
记录与校验
- 动作：输出意图、资源、版本、查询、证据和未加载项，运行关键约束检查。
- 完成标准：相同输入可复现加载结果，高风险缺项触发人工介入。
固定输出
- 意图定义表：意图编号、原始表达、对象、目标、时间、范围、风险、期望输出和歧义状态
- 子意图拆分与依赖表
- 意图—资源路由表：子本体、事实源、时间窗、规则集、Action、版本、必要性证据和未加载原因
- 检索策略表：图精查、向量召回、历史记忆或组合策略及校验方式
- 加载边界与预算表：Token、时间窗、关系深度、资源数、停止条件和渐进扩展条件
- 加载结果与约束检查记录：实际资源、版本、查询、证据、冲突、过期项和检查结果
- 高风险缺失、人工介入与重现信息清单
相同输入应能重现意图、路由、版本和加载结果；意图未澄清或关键资源缺失时保留受阻状态。
使用边界
不要在以下情况使用
- 意图尚未澄清却直接静默路由
- 任务需要全域审计或全局一致性检查
- 只在离线阶段设计知识资产分类
常见失败模式
- 用全量模型重构适配企业业务：企业知识被压入模型参数，适配成本从局部语义治理升级为模型训练、维护和全量数据治理。
- 一次性加载全量本体和超长上下文：有限上下文被低相关知识占据，关键规则的有效权重下降，冲突信息增加概率性选择空间。
- 任务边界和本体粒度失配：建模单元没有绑定具体Agent任务及评价标准，模型边界与执行边界无法对齐。
使用折扣与复核要求
- 最小加载可能漏掉未知关联，应为高风险任务设置扩展检索和人工复核。
- 大模型生成形式结构无法直接证明业务语义正确，生产使用需保留专家确认、工具校验、真实用例和审计记录。
相关 Skills
depends-on→fact-reason-action-business-loop。
审计信息
- 历史验证：v0.1.0 路由测试 6/6；v0.4.0 已通过输出契约结构校验，跨平台行为继续按版本抽样
- 首次公开版本：2026-08-21
- 来源说明：方法框架受《本体驱动的 AI 数据管理》启发；仓库不包含原书正文。