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SkillAI会这样思考先查「王总」是谁 → 找到了联系人信息再看「下周」具体是哪天 → 确定了日期再找你和王总的「历史会议」 → 了解沟通习惯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 出场的时刻用户说ontology 做什么「记住小李负责这个项目」创建/更新实体「小李负责哪些项目」查询图谱「把这个任务关联到项目A」创建关系「显示项目A的所有任务」图遍历「什么依赖这个任务」依赖查询「帮我规划这个复杂工作」模型转化为图变换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:aliceexample.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 validate7. 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. 优缺点分析优点结构化强制类型和约束不会出现「随意添字段」的混乱可验证每次操作都校验脏数据不存在可扩展自定义类型满足各种业务需求可组合技能间共享状态真正的协作缺点有门槛需要理解「实体-关系」模型需维护初始setup有点麻烦不适合只需要简单KV存储的场景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人群用途开发者构建个人AI工作流多Agent协作产品经理建立需求-任务-项目的追踪体系项目管理者多任务依赖管理复杂项目管理生活家联系人、会议、生活事务关联管理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:youremail.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)