---
name: twenty-nine-sentence-knowledge-extraction
description: |
  用于要从制度和业务资料提取本体知识、专家说得很散，需要结构化访谈，用户出现“怎么访谈业务专家”“用29句话提取知识”或 knowledge elicitation, expert interview, 29 sentences 等信号时调用。资料来源或专家尚缺时可形成访谈提纲与候选知识，不能声明为已确认事实。
metadata:
  tags: "knowledge-elicitation, interview, 29-sentences, business-expert, preprocessing, enterprise-ai, ontology-driven"
  related-skills: "scenario-related-knowledge-structure:depends-on, scenario-related-semantic-modeling:feeds-into, seven-plus-one-semantic-mapping:feeds-into"
---

# 用“29句话”提取业务知识

## 方法骨架

- 用一组固定问句把文档、数据和专家经验转成可建模的业务知识。
- 问题覆盖对象、属性、关系、分类、标识、规则、流程、查询、权限、Action和质量约束。
- 显性知识可从制度、流程、表结构和接口中抽取，隐性知识通过专家访谈补齐。
- 每个答案都要保留来源、适用范围、例外和确认人，避免把口头经验直接固化。
- 相近答案合并为统一术语，冲突答案进入待裁决清单。
- 输出应能直接交给7+1映射和本体建模质量门。

执行完整提取或设计专家访谈时，先读取 [29 类建模语句](references/29-modeling-statements.md)，按与当前场景相关的类别逐项作答。

## 触发场景

### 用户会在什么情境下需要这个 Skill

1. 要从制度和业务资料提取本体知识
2. 专家说得很散，需要结构化访谈
3. 现有知识库只有文档，缺少规则、权限和行动语义

### 语言信号

- “怎么访谈业务专家”
- “用29句话提取知识”
- “把制度整理成本体输入”
- 英文信号：knowledge elicitation, expert interview, 29 sentences

### 与相邻 Skill 的区分

- 与 `seven-plus-one-semantic-mapping`：本 skill 负责采集和澄清自然语言知识；7+1负责将确认后的知识映射为语义构件。
- 与 `ontology-model-multilayer-quality-gate`：本 skill 检查输入知识是否齐备；多层质量门检查形式化模型是否正确。

## 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. **盘点来源**
   - 动作：列出制度、流程、表单、数据字典、接口、案例和专家，并标记权威级别与版本。
   - 完成标准：每类知识有来源负责人和适用时间。

2. **按29类问题提取**
   - 动作：依次追问对象属性、对象关系、分类约束、术语、规则、操作与服务、权限和七类查询更新语义。
   - 完成标准：每个相关问题都有答案、无答案原因或待确认责任人。

3. **追问隐性判断**
   - 动作：用真实案例、反例、边界条件和历史异常追问专家实际怎样判断。
   - 完成标准：模糊词被替换为阈值、条件、优先级或人工裁决点。

4. **统一与裁决**
   - 动作：合并同义词，标出同物异名、同名异义、规则冲突和跨域差异。
   - 完成标准：形成已确认词汇、冲突清单和待确认项。

5. **交付建模输入**
   - 动作：按来源、语义类别、自然语言描述、例外、确认状态组织输出。
   - 完成标准：输入满足清晰、正确、完整、最简四项要求。

## 固定输出

- 知识来源与权威级别登记表：制度、流程、表单、数据字典、接口、案例和专家的版本、责任和适用范围
- 29 类建模语句回答表：语句编号、当前场景是否适用、自然语言答案、来源、证据位置、适用范围、例外、状态、责任人和对应场景任务
- 术语归一表：标准术语、同义词、同名异义、使用语境和裁决结果
- 规则、权限、Action 和质量约束的边界、反例与例外清单
- 知识冲突与待裁决表：冲突编号、差异来源、影响、裁决人、期限和状态
- 无答案类别、不适用类别、资料缺口和专家访谈问题清单
- 交付 7+1 映射与场景语义建模的输入包

与当前场景无关的类别记录不适用理由，不使用虚构答案填满表格。

## 使用边界

### 不要在以下情况使用

- 把来源不明且未经业务确认的提取结果作为正式知识；可继续设计访谈和整理候选条目
- 用户只需要普通会议纪要或文档摘要
- 已经存在经过验证的结构化语义模型，仅需运行时调用

### 常见失败模式

- **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。
- **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

- 29类问句降低采集门槛，无法自动判断专家经验是否有效或仍然适用。
- 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` → `scenario-related-knowledge-structure`；先确定材料、专家和证据范围。
- `feeds-into` → `scenario-related-semantic-modeling` 和 `seven-plus-one-semantic-mapping`；本 Skill 负责采集和澄清，后续完成正式语义定义和完整性检查。

## 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。