ontology-clawra

name	ontology-clawra
description	Palantir本体论实践版本 v3.0 - 结构化知识图谱+规则引擎+逻辑推理网络+科学推理方法论。整合对象(Objects)、关系(Links)、规则(Functions)、逻辑(Actions)，并嵌入科学推理方法论确保推理的可信度和可验证性。
metadata	{"openclaw":{"emoji":"🧠","requires":{"skills":["proactive-agent"]},"version":"3.0","last_updated":"2026-03-16"}}

ontology-clawra v3.0

Palantir本体论实践版本 - Clawra的核心智能引擎 v3.0

---

🧬 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

---

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                          │
│                                                             │
└─────────────────────────────────────────────────────────────┘

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？

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

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"