ontology-model-multilayer-quality-gate git:20260906.e53cd23A

Immutable. This exact content is served forever at /api/v1/blob/d220681fd499a6ca.

---
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。
- 候选模型可先做可执行的技术检查和业务用例验证，缺陷回流修订；生产注册才要求项目适用的准入门槛全部满足。

## 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

按当前任务选择必要步骤；已有可靠成果直接复用：

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：有可用且已授权的独立审查能力时使用不同模型或隔离上下文审计；否则完成工具校验与当前模型审查，并标明缺少独立审核。输出缺陷、位置、等级和依据。
   - 完成标准：如执行独立审核，审核者未看到生成方自我评价；其余审查如实标注方式和覆盖范围，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：给出有证据的阶段准入结论与缺陷清单即可完成审查；生产阻断项未关闭时禁止准入，仍可继续不依赖该缺口的测试和修订。

## 固定输出

- 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
- 将来源不明或冲突未裁决的输入直接判定为生产可用；此类输入仍应接受审查并记录缺陷
- 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`；技术检查与真实任务用例可迭代执行，结论共同支持生产准入。

## 审计信息

- **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。