ontology-constraint-and-knowledge-injection

本体约束与知识注入策略选择

方法骨架

• 根据风险、问题清晰度、知识稳定性和运行成本选择本体约束与注入路径。
• 少量高风险规则优先显式注入，让模型看到明确结构、阈值和限制。
• 大量文档和模糊表达采用向量召回，再用图查询校验关系与规则。
• 高频、稳定、规模足够的任务可评估指令微调或本体生成合成数据。
• 只有Prompt无法满足一致性、延迟或成本目标时才升级训练路径。
• 任何路径都要绑定真实事实、版本和外部验证，防止错误本体放大偏差。

触发场景

用户会在什么情境下需要这个 Skill

1. 要决定本体知识写进Prompt、走RAG还是微调
2. 规则型任务需要提高可解释性和一致性
3. 图检索、向量检索和训练方案之间需要权衡

语言信号

• “Prompt RAG 微调怎么选”
• “本体怎么注入大模型”
• “图检索和向量检索各用在哪”
• 英文信号：knowledge injection, prompt vs RAG vs fine-tuning, ontology constraint

与相邻 Skill 的区分

• 与 intent-driven-minimal-ontology-loading：最小加载先决定知识范围；本 skill 决定知识进入模型的技术路径和约束强度。
• 与 fact-reason-goal-explainable-decision：本 skill 提供模型所需知识；事实事理目标负责组织具体决策。

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：

1. 刻画任务

   • 动作：评估风险、问题清晰度、知识规模、稳定性、时效、频次、延迟和可解释要求。
   • 完成标准：每个维度有证据和等级。

2. 确定约束强度

   • 动作：低容错、规则明确任务采用强显式约束；探索任务采用候选检索与软约束。
   • 完成标准：约束强度与业务风险一致。

3. 选择注入路径

   • 动作：默认Prompt/上下文；文档规模大时图向量混合RAG；稳定高频且Prompt不足时评估微调；数据稀缺时谨慎使用合成数据。
   • 完成标准：选择理由、成本和升级条件明确。

4. 绑定事实与版本

   • 动作：所有规则和知识关联来源、版本、适用范围和实时事实。
   • 完成标准：过期或无来源知识不会进入确定性输出。

5. 设计对比验证

   • 动作：用同一测试集比较准确性、一致性、可解释性、延迟、成本和风险。
   • 完成标准：只有新增路径达到门槛且无关键退化时升级。

固定输出

• 任务特征卡：风险、问题清晰度、知识规模、稳定性、时效、频次、延迟、成本和可解释要求
• 待注入知识清单：知识编号、类型、来源、版本、适用范围、时效、敏感级别和确认状态
• 约束强度判定表：任务风险、容错、强显式约束、软约束或候选检索结论及理由
• 注入路径比较表：Prompt、图检索、向量检索、混合 RAG、微调和合成数据的效果、成本、延迟、版本更新和风险
• 知识注入契约：选定路径、资源、加载范围、约束强度、事实绑定、版本、失效与回退条件
• 对比验证矩阵：基线与候选路径的准确、一致、可解释、延迟、成本和风险
• 选型结论、升级条件、退回条件与未决项

选型结论必须引用本地任务特征和对比数据，未验证路径保持候选状态，不写成生产方案。

使用边界

不要在以下情况使用

• 还没有定义要加载的最小知识范围
• 把微调当作实时事实更新机制
• 错误或未经验证的本体用于批量生成训练数据

常见失败模式

• 用通用逻辑直接驱动自主决策：概率推理替代了企业决策逻辑，执行工具又把语言偏差转化成了现实状态变更。
• 在低容错场景接受概率性幻觉：概率生成与业务正确性目标不一致，且下游系统把文本结果当作可信决策依据。
• 把文档检索等同于可执行知识：向量相似性提供相关片段，却不能保证业务关系、方向、约束和动作条件完整呈现。
• 纯人工符号建模或纯神经生成走向单边极端：单一技术范式无法同时覆盖语义抽象效率、业务约束、泛化能力和可解释性。
• 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。

使用折扣与复核要求

• 当前公开证据缺少不同注入路径的大规模对照实验，实际选型必须用本地数据和成本测试。
• 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 → intent-driven-minimal-ontology-loading；最小加载先决定知识范围；本 skill 决定知识进入模型的技术路径和约束强度。