World's first open-source enterprise world model.
Rust agent-memorybitemporalgraphragknowledge-baseknowledge-graphllmontologypgvectorpostgresqlragrustself-hostedsemantic-searchtemporal-knowledge-graphworld-model
Record the case for shipping ontology packs at knowledge base creation
WaylandYang4d8c962d512c
diff --git a/docs/decisions/0008-ontology-packs-as-cold-start.md b/docs/decisions/0008-ontology-packs-as-cold-start.mdnew file mode 100644index 00000000..132d2c06--- /dev/null+++ b/docs/decisions/0008-ontology-packs-as-cold-start.md@@ -0,0 +1,156 @@+# 0008 · 预制本体包作为冷启动++- **状态**:规划中 · 建库仍只发 10 个种子关系+- **成文**:2026-08-30(约定见 [README](README.md))+- **相关**:[0001](0001-ontology-import-and-governance.md) 定了 IRI/key 分工与贯穿性判据;+ [0006](0006-ontology-scale-and-the-prompt.md) 拆掉了大本体的提示词障碍;+ [0007](0007-who-decides-what-becomes-a-relation.md) 定了从种子长大的采纳规则++> 与 0006、0007 同规格:先摆数字,并标明每个数字**不能**说明什么。+> 本篇的数字**只来自官方发布文件**(2026-08-30 抓取),任何人都能重跑。+> **刻意不引用开发库的统计**——那是 mock 语料,能说明错误的形状,+> 不能说明真实部署的比率,写进决策记录只会被后人当成依据。++## 问题++新建的库只发 10 个种子关系(`graph.rs:290` 的 `RELATION_TEXT_ZH`)。这 10 个里+**零个带类型签名**——没有 domain,没有 range。++抽取提示词是支持签名的(`extract/lib.rs:498` 的测试:`- buys_from (employee|team → *)`),+有签名的谓语会带上「主语类型 → 宾语类型」。种子没得可喂,于是退化成一句白话:+`- works_at: 受雇于某个组织。`++**一句白话约束不了方向。** `produces` 的定义是「一个组织或项目制造、发布或推出了宾语」——+「组织或项目」是对主语的**类型提示**,不是**方向约束**。模型读到「Anthropic 的 Claude」,+知道两者有 `produces` 关系,但没有任何机器可检的东西告诉它谁该在主语位。+而产品在本体里往往也归到 Project 或 Product,于是两个方向读起来都合法。++十个种子里只有 `part_of` 写了反例("**不是「可以在……上用」**"),显然是踩过坑之后补的。+**这正是问题所在**:用散文补方向,每个谓语都要单独踩一次坑,而且补丁只在那一条下面生效——+`part_of` 警告过的"能在某服务上玩",换个谓语照样踩。++`graph.rs:4` 的自陈说明这不是个别谓语的事:++> 文档,里面的关系大半不在这 10 个里,于是大量事实降级成 related_to++**十个谓语覆盖不了真实文档,而扩到几十个也不解决方向问题**——只要方向靠散文写,+就是 O(谓语数) 次踩坑。++## schema.org 把方向变成结构++| | 类 | 属性 | domain+range 齐全 |+|---|---|---|---|+| 我们的 10 个种子 | — | 10 | **0** |+| schema.org(2026-08-30) | 1010 | 1521 | **1488 = 97.8%** |++```+schema:manufacturer Product → Organization+schema:worksFor Person → Organization+```++`Claude manufacturer Anthropic` 合法;反向因为 `Anthropic` 不是 `Product`,+**在 domain 校验时就被拦掉**,根本进不了图。方向不再靠散文描述,而是靠声明。++注意 `manufacturer` 的方向与我们的 `produces`(组织 → 产品)**正好相反**。+这不影响结论——重点不是哪个方向对,是方向被显式声明了。++## 候选包(实测)++抓取并按各自语法计数。判据三条:能被现有导入器吃下(Turtle / RDF-XML)、开放许可、带 domain/range。++| 包 | 体积 | 类 | 属性 | domain | range | 补什么 |+|---|---|---|---|---|---|---|+| **schema.org** | 1078 KB | 1010 | 1521 | 1521 | 1521 | 通用:人、组织、产品、事件、创作 |+| **W3C Org** | 82 KB | 13 | 34 | 36 | 32 | **组织架构**:Unit、Post、Membership、Role、任期 |+| **PROV-O** | 110 KB | 62 | 69 | 63 | 62 | 溯源:Activity、Agent、wasDerivedFrom |+| **FOAF** | 43 KB | 12 | 62 | 60 | 57 | 社交关系 |+| **IOF Core** | 394 KB | 294 | 75 | 94 | 94 | 工业制造 |++**W3C Org 只有 13 类 34 属性,却补上 schema.org 最弱的一块。** schema.org 的+`Organization` 是给网页用的,没有部门、职位、任期、汇报关系的概念。++**PROV-O 顺带补上一个对外的缺口**:竞品对比里"Provenance: W3C PROV-O"与+"Compliance export"两格,我们今天是自有 schema,导进来就有了标准词汇。++### 下不到或不适合的++- **FIBO**(金融)模块化发布,完整版要按 catalog 抓几百个文件。单模块(People)+ 只有 31 类。想做金融是单独一件工程,不是随手加一个包。+- **Brick**(1438 类)与 **QUDT**:属性对类的比例极低(Brick 是 25 : 1438)——+ 它们是分类树不是关系本体,对抽取帮助有限。+- **SAREF**:解析出的类与属性都是 0,声明形式我们的投影暂不覆盖,需先验证。+- **SNOMED CT**:需授权。++## 重叠有多少++按 `key_from_iri()` 的实际算法比对——撞的是 key 不是 IRI。++| 组合 | 撞名 | 具体 |+|---|---|---|+| org ∩ schema | **6** / 43 | `identifier` `location` `member` `member_of` `organization` `role` |+| foaf ∩ schema | **15** / 72 | `agent` `name` `person` `knows` `member` `organization` `title` `image` `logo` `thumbnail` `given_name` `family_name` `gender` `project` `status` |+| prov ∩ schema | **4** / 95 | `agent` `contributor` `creator` `publisher` |+| org ∩ foaf | 2 | `member` `organization` |++去重后**约 20 个词**。而且分两类,不能一概映射:++**真同义 —— 映射掉**:`foaf:Person ≡ schema:Person`、`org:Organization ≡ schema:Organization`、+`foaf:knows ≡ schema:knows`++**同名不同义 —— 必须两份**:+- `org:role` 是组织中的职位,`schema:role` 是创作作品里的角色(演员饰演)+- `foaf:status` 是即时通讯的在线状态(2000 年代遗留),`schema:status` 是订单/动作状态++**FOAF 重叠率最高(21%)而独有价值最低**——核心概念 schema.org 全有,剩下的+`mbox_sha1sum`、`icqChatID` 是遗物。它进候选列表,但不进推荐默认。++## 决定++### 1. 建库时多选,不做预制捆绑++初稿曾拟三个固定组合(通用 / 溯源合规 / 工业)。**否掉**:对齐表是两两声明的,+`foaf:Person ≡ schema:Person` 这条不管用户选了几个包都成立,所以多选**不增加对齐成本**。+而固定捆绑是拍脑袋的分类,现实里一定不匹配——做金融科技的要 IOF 加未来的 FIBO,+咨询公司要 schema 加 Org 加 PROV,没有哪个捆绑覆盖得了。++界面上每个包标出规模与**跟已选项的重叠率**,让用户自己掂量,而不是我们替他决定。++### 2. 不做导入撤销++`ON DELETE RESTRICT`(`0004_graph.sql:41`)加应用层计数(`ontology.rs:232`)加+`NOT builtin` 三道防线,已经保证了安全边界:**有实体挂着的类型删不掉**。++所以"选错了怎么办"的实际路径是:没被用到的类型直接删,被用到的删不掉——+**而删不掉恰恰是对的**,那些类型上挂着真实知识。++需要的不是 `undo_import`,是一个**批量视图**:「这次导入建了 294 个类,+12 个有实体在用,282 个空着」,一键删空的。比真正的撤销简单得多,+且语义清楚——不碰任何有数据的东西。++> 这三道防线值得单独记一笔,它是判据 2「本体是引导不是执法」的**反面**:+> 本体不执法,但**知识可以否决本体的删除**。方向是知识保护本体,不是本体裁剪知识。++### 3. 对齐表静态维护,不做运行时推断++约 20 行,我们自己写。**上游已经写好了一部分**——W3C Org 官方文档声明了与 FOAF 的+对齐,PROV-O 声明了与 FOAF、Dublin Core 的对齐,抄过来即可。++不做自动对齐(标签相似度、嵌入匹配):预制包是我们选的,不是用户随便传的,+只有五六套,两两重叠有限且可穷举。**把无限的对齐问题缩成一张静态表**,+这与判据 6「治理经验固化进 schema,不要固化成隐形规则」一致。++## 开放问题++- **混装的抽取准确率没人测过。** 0006 的数据是单一本体下的。全选之后本体约 2400 类,+ 按块检索会同时召回 `org:role` 与 `schema:role`。0006 的预算保证**塞得下**,+ 但塞得下不等于**选得准**。这是本篇最大的未知,应在实施前用 `scripts/bench/` 补一组对照。+- **schema.org 面向网页内容**(Recipe、JobPosting、Event),企业语料的"合同""审批"+ "供应商资质"它没有。它是好的冷启动底座,不是终点——0007 的增长回路仍然必要,+ 只是起点从 10 变成 1500。+- **中文标签**:schema.org 与所有候选包都只有英文。我们 10 个种子是带中文名的+ (`produces` → 出品)。1500 个属性的中文化不可能手工做,也不该机器翻——+ `rdfs:label` 是模型读的令牌,译错比不译更糟。[0004](0004-language-and-localization.md)+ 定的分工在这里够不够用,待查。+- **起点规模本身是个变量。** 0007 的死路里那条 Snowball 实测顺带证明了这点:+ 词表从 10 涨到 629,匹配行为会质变(捞回 49 次 → 18 次)。没人正面研究过+ "从 1500 个词起步"对采纳回路意味着什么——高频提议还会提议什么?