git:20260831.f33ce1b to git:20260831.6e75a3e
10 added, 3 removed. Audit A to A.
---
name: ontology-model-multilayer-quality-gate
description: |
用于大模型生成了本体，需要判断能否使用、准备评审本体模型质量和生产准入，用户出现“帮我做本体质量审查”“双模型怎么校验”或 ontology quality gate, dual-model audit, semantic review 等信号时调用。不适用于把同一个模型的自我反思当作独立审核。
metadata:
tags: "quality-gate, clarity, logic, completeness, expert-review, enterprise-ai, ontology-driven"
related-skills: "ontology-logical-model-generation:depends-on, data-to-ontology-mapping-and-instantiation:depends-on, ontology-golden-case-testing:feeds-into"
---
# AI 本体建模的多层质量门
## 方法骨架
- 把本体质量拆给相互独立的检查角色，降低单模型自证正确的风险。
- 生成模型负责结构化表达，异构审核模型独立找语法、逻辑、规范和覆盖缺陷。
- 语法工具与约束引擎验证可计算结构，避免把可解析误当成语义正确。
- 业务专家从全局拓扑、局部语义和规则路径检查真实业务含义。
- 关键分歧由专家和工程师仲裁，形成可追溯缺陷与处理记录。
- 通过全部门槛后才进入注册或业务用例测试。
## 触发场景
### 用户会在什么情境下需要这个 Skill
1. 大模型生成了本体，需要判断能否使用
2. 准备评审本体模型质量和生产准入
3. 模型语法通过但业务专家仍担心规则错误
### 语言信号
- “帮我做本体质量审查”
- “双模型怎么校验”
- “这个模型能注册生产吗”
- 英文信号：ontology quality gate, dual-model audit, semantic review
### 与相邻 Skill 的区分
- 与 `ontology-golden-case-testing`：本 skill 检查模型结构和业务语义；黄金用例验收检查模型在真实问题上的输出。
- 与 `twenty-nine-sentence-knowledge-extraction`：29句话改善建模输入；本 skill 审查形式化产物。
## 执行步骤
Skill 激活后按以下顺序执行：
1. **检查输入准入**
- 动作：确认场景语义、概念模型、逻辑本体、数据到本体映射和样例实例版本一致，并保留来源与确认状态。
- 完成标准：未确认或冲突输入已隔离，前序产物追溯完整。
2. **独立生成与审核**
- 动作：使用不同模型或隔离上下文完成生成和审计，输出具体缺陷、位置、等级和依据。
- 完成标准：审核模型未看到生成模型的自我评价，争议项可复现。
3. **运行形式校验**
- 动作：检查语法、命名、类层级、定义域值域、SHACL约束、规则冲突、映射完整性、实例来源和未引用实体。
- 完成标准：工具错误清零，警告均有处置结论。
4. **执行专家三层审查**
- 动作：审查全局拓扑、局部语义和完整推理路径，并记录修改。
- 完成标准：业务专家确认模型与真实流程、例外和权限一致。
5. **做准入决策**
- 动作：汇总阻断项、一般缺陷、剩余风险和仲裁记录。
- 完成标准：阻断项为零且责任人签字后进入测试；否则退回建模。
- ### 固定输出
+ ## 固定输出
- 最终结果至少包含：输入版本与追溯检查、语法与结构报告、逻辑和SHACL报告、数据映射与实例报告、独立审核缺陷、专家审查记录、阻断项、剩余风险和准入结论。
+ - 输入资产与版本锁定表：语义、概念、逻辑、约束、映射、实例、规则、查询和用例版本
+ - 来源与追溯完整性报告
+ - 语法与结构检查报告：解析、命名、引用、重复、孤立、循环和模块依赖
+ - 逻辑与 SHACL 检查报告：一致性、可满足性、定义域、值域、基数、数据类型和严重等级
+ - 数据映射与实例检查报告：映射完整、标识、类型、单位、时间、来源和样例实例
+ - 独立审核缺陷表：缺陷编号、位置、级别、证据、影响、责任人、修复和回归状态
+ - 业务专家审查记录：术语、对象、关系、规则、例外、权限和场景适用性结论
+ - 阻断项、一般缺陷、剩余风险、仲裁记录和准入结论
## 使用边界
### 不要在以下情况使用
- 把同一个模型的自我反思当作独立审核
- 输入知识来源不明或业务冲突尚未裁决
- 只需要做运行时回归测试
### 常见失败模式
- **用不成熟的AI能力自动治理AI**：AI输出从建议变成控制面配置，伪相关、错误因果和识别偏差被持续复用。
- **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。
- **让同一个模型同时生成和自我审查**：审核者与生成者共享训练分布、提示上下文和推理路径，缺少独立证据与差异化视角。
- **把语法通过当成业务语义正确**：形式合法性与业务正确性处于不同验证层，语法工具无法判断领域含义、规则完整性及行动后果。
- **用错误本体生成训练数据并放大偏差**：同一语义缺陷被重复采样，训练优化把局部错误提升为模型的稳定决策倾向。
### 使用折扣与复核要求
- 多层审查提高可信度，无法证明覆盖了全部未来场景，仍需上线监控和持续回归。
- 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` → `ontology-logical-model-generation` 与 `data-to-ontology-mapping-and-instantiation`。
- `feeds-into` → `ontology-golden-case-testing`；技术与专家质量门通过后进入真实任务用例验收。
## 审计信息
- - **历史验证**：v0.1.0 路由测试 6/6；v0.3.0 增加逻辑模型、映射和实例输入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。