ontology-ai-scenario-fit-and-spike

本体增强 AI 场景适配与穿刺验证

方法骨架

• 先判断业务问题是否真的需要本体，再讨论建模和平台。
• 适配度由语义复杂度、规则明确度、跨域程度、合规追溯要求和行动闭环共同决定。
• 规则变化过快、目标高度模糊、价值很低或传统工具足够时，应停止本体路线。
• 通过适配检查后，只选一个可闭环的小任务，用真实样本完成端到端穿刺。
• 适配结论是场景快速扫描后的初判；智能体作用和完整场景梳理完成后需要再次确认本体范围。
• 穿刺分别回答数据能否接入、规则能否表达、推理能否核验、行动能否受控。
• 最终输出继续、调整或停止的决策及其证据，避免把技术演示当成业务价值。

触发场景

用户会在什么情境下需要这个 Skill

1. 准备为一个企业AI场景选择本体技术路线
2. 项目范围很大，需要确定首个小切口
3. 已有原型，准备判断是否值得扩大投入

语言信号

• “这个场景适合做本体吗”
• “先做哪个小切口”
• “怎么做穿刺验证”
• 英文信号：ontology fit, vertical slice, go/no-go

与相邻 Skill 的区分

• 与 ontology-ai-application-pattern-selection：本 skill 先回答要不要用本体；应用模式选择在适配通过后回答采用哪类业务形态。
• 与 point-line-plane-ontology-scaling：本 skill 设计首轮验证；点线面用于验证成功后的复用扩展。

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：

1. 定义真实问题

   • 动作：写清用户、当前损失、目标结果、决策责任和可接受风险。
   • 完成标准：形成一条可验证的问题陈述，并标出事实与假设。

2. 做适配筛选

   • 动作：逐项评估语义冲突、规则清晰、跨域协同、合规追溯、专家经验沉淀和行动需求。
   • 完成标准：每项有证据、等级和缺口；同时检查三类排除条件。
   • 判停条件：若规则不可稳定表达、目标无法验收或传统工具成本显著更低，直接输出停止或改用轻方案。

3. 定义最小闭环

   • 动作：把场景缩成一条从真实输入到受控结果的链路，限制对象、规则、系统和Action数量。
   • 完成标准：能画出输入—语义—推理—行动—反馈链，且责任人明确。

4. 设计穿刺

   • 动作：按关键路径和风险选择足够的代表样本，定义基线、成功指标、边界样本、人工接管和证据留存；暂无真实样本时交付采样方案，合成样本只支持明确标注的技术验证。
   • 完成标准：形成样本清单、预期结果、执行步骤和验收表。

5. 做决策门

   • 动作：依据技术可行性、业务净收益、风险和复用潜力给出继续、调整或停止。
   • 完成标准：初判和验证计划可依据当前证据交付并标记未知项；实际路线验收结论引用穿刺结果，并说明下一阶段范围。

6. 交给智能体作用识别

   • 动作：将适配通过或局部通过的场景交给 scenario-agent-role-design，识别Agent、确定性系统和人工的职责。
   • 完成标准：明确下一阶段需要验证的Agent候选任务，并约定在场景深描后复核本体范围。

固定输出

• 场景快速扫描卡：目标用户、问题、目标结果、当前方式、约束、事实和假设
• 本体适配度矩阵：语义、关系、规则、追溯、跨系统、动态性等维度的证据、等级和未知项
• 继续、局部继续或停止决策卡：结论、核心证据、投入条件、停止条件和复核时点
• 首个垂直切片设计：触发、对象、规则、所需数据、推理或查询、受控行动、结果和验收
• Agent 候选任务清单：任务、价值、输入输出、责任边界、优先级和待后续复核项
• 真实样本与穿刺测试表：样本范围、数据来源、权限、正常与异常用例、预期结果和通过标准
• 资料缺口、未决项、范围复核条件和下一阶段输入清单

使用边界

不要在以下情况使用

• 纯信息查询或单表统计，且用户未要求评估本体路线
• 将规则变化过快或缺少真实样本、责任人、可验收结果的场景判为适配验证通过；此时仍可完成初判、轻量替代路线和验证计划

常见失败模式

• 高时效动态场景硬套本体方案：语义资产更新周期与业务半衰期失配，规则持续过期并带来重复验证成本。
• 为简单低价值任务引入本体工程：新增语义层没有解决关键未知或决策复杂性，却持续产生建模、集成和维护成本。
• 未经穿刺验证就扩大建设范围：技术可行性、业务价值和组织协同的未知项同时被延后，试错成本随范围线性或更快增长。
• 用缺少基线的案例效果支撑规模化结论：描述性改善被替代为因果证据，场景差异、人工投入和选择偏差没有进入效果判断。