企业官网建设流程全解析

你有没有遇到过这种情况？同一个问题，AI ，换着方式问它，就是答不到点子上。不是AI不够聪明，是它没有「记忆」，更没有「关系意识」。

今天要介绍的这个Skill，直接给了AI一个超级大脑 —— 它不仅记住事物，还能理解事物之间的「关系」。

1. 让AI拥有「关系直觉」

想象一下，你告诉AI：

「帮我安排下周和王总的会议」

传统做法下，AI可能只会回复：「好的，我来帮你安排。」然后就没有然后了。

但有了这个Skill，AI会这样思考：

1. 先查「王总」是谁 → 找到了联系人信息
2. 再看「下周」具体是哪天 → 确定了日期
3. 再找你和王总的「历史会议」 → 了解沟通习惯
4. 最后创建会议事件，关联到「合作项目」

这就是** ontology的魔力 —— 它让AI从单线思考，变成网状推理**。

2. 什么是 ontology

** ontology **，中文可以理解为「本体论」或「知识图谱」。但这个词太学术，说人话就是：

给AI建立一个「关系数据库」，让它像人一样理解事物之间的联系。

官方定义是这样的：

一个带类型的词汇表 + 约束系统，用于将知识表示为可验证的图结构。

核心概念很简洁：

• 任何东西都是「实体」（Entity）：有一个类型、属性、和其他实体的关系
• 任何变更都要通过约束验证：不能乱加属性，不能破坏关系

Entity: { id, type, properties, relations, created, updated } Relation: { from_id, relation_type, to_id, properties }

这就是 ontology 的本质：万物皆可互联，互联需守规矩。

3. 核心场景：什么时候用它

根据官方文档，当用户说这些话的时候，就是 ontology 出场的时刻：

4. 预置类型：覆盖你能想到的一切

ontology 预置了大量类型，基本覆盖了工作和生活的常见场景：

人物和组织

Person: { name, email?, phone?, notes? } Organization: { name, type?, members[] }

工作相关

Project: { name, status, goals[], owner? } Task: { title, status, due?, priority?, assignee?, blockers[] } Goal: { description, target_date?, metrics[] }

时间地点

Event: { title, start, end?, location?, attendees[], recurrence? } Location: { name, address?, coordinates? }

信息文档

Document: { title, path?, url?, summary? } Message: { content, sender, recipients[], thread? } Note: { content, tags[], refs[] }

资源和凭证

Account: { service, username, credential_ref? } Device: { name, type, identifiers[] } Credential: { service, secret_ref } # 永远不直接存密码

看出来了么？这些类型就是为了让AI能够像人一样工作和思考。

5. 约束系统：AI也能「讲规矩」

ontology 最强大的地方不是记住东西，而是定规矩：

类型约束

Task: required: [title, status] # 必须有标题和状态 status_enum: [open, in_progress, blocked, done] # 状态只能是这4种 Credential: required: [service, secret_ref] # 必须引用，不能存明文 forbidden_properties: [password, secret, token] # 这些属性想都别想

关系约束

has_owner: from_types: [Project, Task] # 只能项目或任务「拥有」 to_types: [Person] # 只能归属于人 cardinality: many_to_one # 多对一，不能多头管理 blocks: # 阻塞关系 from_types: [Task] to_types: [Task] acyclic: true # 不能有循环依赖！

这就是为什么ontology叫「可验证的知识图谱」——不是你想怎么连就怎么连。

6. 如何使用：命令行上手指南

第一步：初始化

mkdir -p memory/ontology touch memory/ontology/graph.jsonl

第二步：创建实体

# 创建一个人 python3 scripts/ontology.py create --type Person --props '{"name":"Alice","email":"alice@example.com"}' # 创建一个项目 python3 scripts/ontology.py create --type Project --props '{"name":"Website Redesign","status":"active"}' # 创建一个任务 python3 scripts/ontology.py create --type Task --props '{"title":"Design homepage","status":"open","priority":"high"}'

第三步：建立关系

# 把任务分配给人 python3 scripts/ontology.py relate --from task_001 --rel has_assignee --to p_001 # 把任务关联到项目 python3 scripts/ontology.py relate --from task_001 --rel for_project --to proj_001

第四步：查询

# 查询所有开放任务 python3 scripts/ontology.py query --type Task --where '{"status":"open"}' # 获取特定实体 python3 scripts/ontology.py get --id task_001 # 查看某个项目的所有任务 python3 scripts/ontology.py related --id proj_001 --rel has_task

第五步：验证

python3 scripts/ontology.py validate

7. 进阶用法：将规划变为「图变换」

这是我认为ontology最杀手级的应用：把复杂工作建模为图的变换序列。

比如用户说：「安排团队会议并创建后续任务」

传统AI可能只會回复「好的」，但ontology会这样做：

1. CREATE Event { title: "Team Sync", attendees: [p_001, p_002] } 2. RELATE Event -> has_project -> proj_001 3. CREATE Task { title: "Prepare agenda", assignee: p_001 } 4. RELATE Task -> for_event -> event_001 5. CREATE Task { title: "Send summary", assignee: p_001, blockers: [task_001] }

每一步都被验证，环环相扣。这就是结构化思考的力量。

8. 技能协作：跨Skill通信

ontology最强的用法是和别的Skill配合：

示例：邮件承诺 + 任务追踪

# Email skill 创建了一个承诺 commitment = ontology.create("Commitment", { "source_message": msg_id, "description": "周五前发报告", "due": "2026-01-31" }) # Task skill 读取并跟进 tasks = ontology.query("Commitment", {"status": "pending"}) for c in tasks: ontology.create("Task", { "title": c.description, "due": c.due, "source": c.id })

这就是真正的多技能协作—— 不是通过Prompt传递，而是通过共享的知识图谱。

9. 优缺点分析

优点

1. 结构化：强制类型和约束，不会出现「随意添字段」的混乱
2. 可验证：每次操作都校验，脏数据不存在
3. 可扩展：自定义类型，满足各种业务需求
4. 可组合：技能间共享状态，真正的协作

缺点

1. 有门槛：需要理解「实体-关系」模型
2. 需维护：初始setup有点麻烦
3. 不适合：只需要简单KV存储的场景
4. 文档少：目前资料不多，需要自己摸索

10. 适用人群

最适合这些场景：

11. 快速开始

# 安装 clawhub install ontology # 初始化 mkdir -p memory/ontology touch memory/ontology/graph.jsonl # 创建第一个实体 python3 scripts/ontology.py create --type Person --props '{"name":"你自己","email":"your@email.com"}'

就三步，开始你的「关系思维」之旅。

12. 结语：AI的下一步，是「关系智能」

回顾这几年AI的发展：

• 最初是「问答智能」—— 你问我答
• 然后是「工具智能」—— 能调用工具
• 现在是「记忆智能」—— 记住上下文
• 下一步，是「关系智能」—— 理解万物互联

ontology 就是这一步的基础设施。它让AI不仅仅记住「是什么」，更能理解「有什么用」和「与什么有关」。

当AI学会了关系，它就不仅仅是工具，而是一个真正的「数字同事」。

P.S.目前ontology的中文资料还很少，这篇文章是我边学边写的实践笔记。如果你在使用中遇到问题，欢迎评论区交流。更重要的是，如果你有好的用法案例，也请一定要分享出来 —— 这才是真正有价值的东西。

本文灵感来源：ClawHub热门Skill「ontology」(619 downloads, 186k installs)