概述

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）

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？

check_ontology("调压箱选型居民")

→ 结果：本地无数据

→ 标注：UNKNOWN

声明来源

⚪ 本地本体无相关数据，以下为外部知识推理

需要假设？→ 是

假设：单户用气量、同时系数、地区等

→ 标注：ASSUMED

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？

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）

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

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

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

1. **记录推理** → reasoning.jsonl（含置信度）
2. **用户反馈** → 如果用户纠正，更新置信度
3. **本体更新** → 从正确推理中抽取新实体

### 定期（Heartbeat）

1. 检查置信度分布
2. 提升/降低实体置信度
3. 清理低置信度实体
4. 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：

决策/分析前 → 调用 ontology-clawra 推理
配置修改前 → 调用 docs-helper 查文档
搜索信息 → 使用 serper/tavily
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。**

版本历史

共 1 个版本

v1.0.0 当前

2026-03-31 00:31 安全安全

安全检测

腾讯云安全 (Keen)

安全，无风险

查看报告

腾讯云安全 (Sanbu)

安全，无风险

查看报告

Ontology Clawra Backup 20260319 151919

概述

ontology-clawra v3.5

⚠️ 安全边界与风险控制（必读）

风险说明

安全措施

使用规范

🆕 v3.3 新增：主动学习能力

核心升级：从被动到主动

自动学习触发条件（⚠️ 默认禁用，需用户明确授权）

主体

概念/抽象

规律/法则

意图

项目

任务

规则

决策

基础关系

知识关系

推理关系

元关系

推理引擎核心函数（增强版）

链式推理

操作类型（增强）

可抽取的实体模式

可抽取的关系模式

基础推理（自动方法论检查）

强制声明来源

交互确认模式

从文本自动抽取（新增）

手动创建

创建规律（带来源）

验证推理可信度

查看推理链

本体构建记录

验证知识网络一致性

检查置信度标注

检查循环依赖

推理链回溯

版本历史

安全检测

腾讯云安全 (Keen)

腾讯云安全 (Sanbu)

🔗 相关推荐

Skill Vetter

Self-Improving + Proactive Agent

self-improving agent