git:20260831.f33ce1b to git:20260831.6e75a3e
9 added, 3 removed. Audit A to A.
---
name: seven-plus-one-semantic-mapping
description: |
用于需要把业务描述映射为本体语义、要检查Agent知识、规则、权限和动作是否完整，用户出现“按7+1映射一下”“这个场景缺哪些语义”或 7+1 semantic mapping, ontology schema, action semantics 等信号时调用。不适用于输入知识仍处于自由讨论、没有来源和责任人。
metadata:
tags: "semantic-framework, W3C, reasoning-model, permission, evaluation, enterprise-ai, ontology-driven"
related-skills: "twenty-nine-sentence-knowledge-extraction:depends-on, scenario-related-semantic-modeling:composes-with, fact-reason-action-business-loop:composes-with"
---
# 用“7+1”规范映射业务语义
## 方法骨架
- 把确认后的业务知识映射为七类语义能力和一类目标评估。
- 七类覆盖资源与关系、类层级与约束、统一术语、业务规则、流程服务、权限策略、查询与数据操作。
- 附加的一类把Agent任务目标、效果指标、判定依据和质量标准写清。
- 映射时同时保留自然语言、形式表达、来源、版本和责任人。
- 任何缺失项都要显式标记，尤其是权限、Action前置条件和评估规则。
- 结果是一张可审查、可测试、可进入运行时的语义映射表。
需要完整维度、工程产物和技术选择时读取 [7+1 语义维度](references/semantic-dimensions.md)。
## 触发场景
### 用户会在什么情境下需要这个 Skill
1. 需要把业务描述映射为本体语义
2. 要检查Agent知识、规则、权限和动作是否完整
3. 准备从自然语言规则生成RDF/OWL等模型
### 语言信号
- “按7+1映射一下”
- “这个场景缺哪些语义”
- “把业务规则转成机器可理解结构”
- 英文信号：7+1 semantic mapping, ontology schema, action semantics
### 与相邻 Skill 的区分
- 与 `twenty-nine-sentence-knowledge-extraction`：29句话负责提取自然语言知识；本 skill 负责分类映射和完整性检查。
- 与 `fact-reason-action-business-loop`：事实事理行动提供三层业务骨架；7+1细化到标准、权限、查询和目标评估。
## 执行步骤
Skill 激活后按以下顺序执行：
1. **确认输入**
- 动作：只接收已标注来源、适用范围和确认状态的知识条目。
- 完成标准：未确认内容单列，不进入生产映射。
2. **映射七类语义**
- 动作：分别填写资源关系、层级约束、术语、规则、流程服务、权限、查询与数据操作。
- 完成标准：每条业务知识有唯一主类别，跨类别引用清晰。
3. **补目标与评估**
- 动作：定义场景业务目标、Agent任务目标、动作结果、完成条件、评价口径和责任主体。
- 完成标准：目标能够通过数据或有权角色验收。
4. **检查闭环**
- 动作：沿事实输入、规则推理、权限判断、Action执行、结果反馈逐段检查缺项。
- 完成标准：缺项、冲突和高风险项形成问题清单。
- 判停条件：若权限或行动前置条件缺失，停止进入生产建模。
5. **输出映射表**
- 动作：保留自然语言、语义类别、形式化建议、来源、版本、确认人和测试问题。
- 完成标准：映射表可被建模工程师与业务专家共同复核。
- ### 固定输出
+ ## 固定输出
- 最终结果至少包含：七类语义和一类目标评价的条目、业务表达、形式化建议、来源、版本、确认状态、责任人、对应Agent任务、测试问题、缺口和阻断项。
+ - 输入知识准入表：知识编号、来源、证据、适用范围、确认状态、责任人和版本
+ - 7+1 语义映射表：条目编号、业务表达、语义主类别、跨类引用、形式化建议、来源、版本、责任与确认状态
+ - 资源关系、层级约束、统一术语、业务规则、流程服务、权限策略、查询数据操作和目标评价完整性矩阵
+ - 事实输入—规则推理—权限判断—Action 执行—结果反馈闭环检查表
+ - Agent 任务—语义条目—测试问题追溯表
+ - 术语、规则、权限、Action、目标与评价缺口清单
+ - 冲突、待确认项、生产阻断项与下一步清单
## 使用边界
### 不要在以下情况使用
- 输入知识仍处于自由讨论、没有来源和责任人
- 只做概念科普，无需机器推理或行动
- 简单字段映射能够满足需求
### 常见失败模式
- **约束和权限落入过紧或过松两端**：场景风险与控制策略未建立映射，Agent无法判断何时自主、何时申请授权、何时停止。
- **数据集混用且缺少责任和来源治理**：数据上下文和授权边界被抹平，错误、泄露或效果变化出现时无法定位责任和输入来源。
- **目标模糊且行动原语契约残缺**：Agent缺少可计算的成功条件及行动前后状态模型，只能猜测参数、条件和执行结果。
- **专家经验以模糊规则直接固化**：隐含前提在结构化过程中丢失，Agent把宽泛条件解释为确定触发器并直接行动。
### 使用折扣与复核要求
- W3C语法与业务正确性属于不同质量维度，规范映射完成后仍需专家和用例验证。
- 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` → `twenty-nine-sentence-knowledge-extraction`；先形成有来源的建模语句。
- `composes-with` → `scenario-related-semantic-modeling` 与 `fact-reason-action-business-loop`；7+1用于完整性检查和形式化建议。
## 审计信息
- - **历史验证**：v0.1.0 路由测试 6/6；v0.3.0 更新语义维度和技术选择后需重新执行跨平台行为抽样
+ - **历史验证**：v0.1.0 路由测试 6/6；v0.4.0 已通过输出契约结构校验，跨平台行为继续按版本抽样
- **首次公开版本**：2026-08-21
- **来源说明**：方法框架受《本体驱动的 AI 数据管理》启发；仓库不包含原书正文。