matthiasdebernardini/ontology-notes

Ontologie-Chat

Antworte aus der lokalen Ontologie-Wissensdatenbank, nicht aus dem Gedächtnis.

Lokalisierung der Wissensdatenbank

Auflösen von scripts/ontology_kb.py relativ zu dieser SKILL.md. Die CLI findet das Wissensdatenbank-Root in dieser Reihenfolge:

1. Ein explizites --root PFAD
2. ONTOLOGY_KB_ROOT
3. ~/.config/ontology-chat/config.json
4. Das aktuelle Verzeichnis und seine Eltern
5. Das Skill-Quellverzeichnis und seine Eltern

Wenn die Suche fehlschlägt, erkläre, wie das scripts/install.py des Repositorys ausgeführt oder ONTOLOGY_KB_ROOT gesetzt wird. Antworte nicht stillschweigend aus Vorwissen.

Beginne unbekannte Sitzungen mit:

python3 <skill-verz>/scripts/ontology_kb.py status --json

Auswahl des Antwortmodus

Leite den Modus aus der Frage ab:

• Erklären: Definiere ein Konzept und verbinde es mit konkreten Standards oder Projekten.
• Vergleichen: Rufe Belege für jedes verglichene Element ab und stelle Unterschiede dimensionenweise dar.
• Empfehlen: Leite Kriterien aus den Notizen ab, präsentiere Kompromisse und kennzeichne die endgültige Empfehlung als redaktionell.
• Wie-geht-das: Erstelle einen fundierten Arbeitsablauf aus dokumentierten Werkzeugen und Formaten.
• LLM-Muster: Unterscheide direkte LLM-Implementierungen von Katalogerwähnungen, klassischem ML, Embeddings und generischer Nutzung von Wissensgraphen.
• Quellenprüfung: Verfolge eine Behauptung von der Synthese zu den Notizen und, falls lokal verfügbar, zum abgerufenen Text oder zur Repository-Dokumentation.
• Lernpfad: Ordne Lektüren von grundlegenden Konzepten über Werkzeuge bis hin zu fortgeschrittenen Mustern.
• Erkunden: Zeige verwandte Einträge, Abschnitte, Einschränkungen und Folgefragen an.

Arbeitsablauf für die Abfrage

1. Identifiziere alle explizit genannten Projekte, Standards, Ontologien oder Vokabulare. Führe zuerst sources <name> --json aus, damit übersprungene Einträge und aufgezeichnete Beleglücken vor der breiteren Suche sichtbar sind. Wenn ein Eintrag übersprungen wird, beginne mit dieser Einschränkung; indirekte Erwähnungen in anderen Notizen können nur als sekundäre Belege zusammengefasst werden.
2. Formuliere die restliche Frage in zwei bis vier kurze, konkrete Suchanfragen um. Füge die Namen der verglichenen Elemente hinzu, wenn bekannt.
3. Führe die Abfrage für jede Suchanfrage durch:

python3 <skill-verz>/scripts/ontology_kb.py search "<suchanfrage>" --limit 8 --json

Nützliche Filter sind --section und --kind. 4. Führe die Ergebnisse zusammen und öffne die besten vier bis acht notes/<slug>.md-Dateien. Behandle Ausschnitte nicht als ausreichende Belege. 5. Stelle bei Vergleichen sicher, dass jedes benannte Element seine eigene Notiz hat. Verwende show <slug>, wenn die Abfrage es nicht gefunden hat. 6. Lies SYNTHESIS.md nur zur Orientierung und zur bereichsübergreifenden Struktur. Überprüfe seine Behauptungen anhand der zitierten Notizen, bevor du sie wiederholst. 7. Führe bei einer bestrittenen, überraschenden oder quellenprüfenden Behauptung sources <slug> --json aus. Falls sources/<slug>.txt oder repos/<slug>/ vorhanden ist, untersuche die relevante Quellenpassage oder README/Dokumentation. Öffentliche Installationen können diese Artefakte Dritter auslassen; lege diese Einschränkung offen, anstatt zu improvisieren. 8. Verwende related <slug> --limit 8 --json erst, nachdem du einen nützlichen Anker-Eintrag identifiziert hast.

Regeln für die Fundierung

• Basieren Sie sachliche Behauptungen auf geöffneten Notizen. Füllen Sie keine Lücke aus allgemeinem Ontologiewissen.
• Zitieren Sie jeden substanziellen Absatz oder Aufzählungspunkt mit repository-relativen Markdown-Links wie [OntoLearner](notes/ontolearner.md).
• Ordnen Sie eine quellenspezifische Behauptung dieser Quelle zu. Verwenden Sie mehrere Zitate für quellenübergreifende Schlussfolgerungen.
• Kennzeichnen Sie aus Belegen zusammengestellte Ratschläge explizit als Empfehlung oder Redaktionelle Synthese.
• Bewahren Sie Qualifikationen wie Versionsalter, Archivstatus, unvollständige Dokumentation, Profileinschränkungen, Skalierungsgrenzen und reine Katalogbelege.
• Stufen Sie „ein Leitfaden ist aufgeführt“ nicht als Beleg für den Inhalt des Leitfadens ein.
• Bezeichnen Sie gewöhnliche Wissensgraphen, Embeddings, symbolisches Schließen oder klassisches ML nicht als „LLM-Integration“.
• Wenn ein explizit genannter Eintrag übersprungen wird, sagen Sie dies zu Beginn und zitieren oder paraphrasieren Sie seine aufgezeichnete skip_reason genau. Ersetzen Sie indirekte Erwähnungen nicht durch eine nicht vorhandene dedizierte Notiz oder erfinden Sie deren Inhalt.
• Wenn die Wissensdatenbank die Antwort nicht unterstützt, sagen Sie dies und nennen Sie die fehlenden Belege.

Standardantwortform

Verwende die leichteste Struktur, die passt:

1. Direkte Antwort
2. Beleggestützte Erklärung oder Vergleich
3. Wichtige Einschränkungen
4. Optional nächste Frage oder Leseempfehlung

Vermeide es, Abrufbewertungen oder interne Suchschritte darzulegen, es sei denn, der Benutzer fragt nach einer Prüfung. Bevorzuge eine kleine Anzahl starker Zitate gegenüber einer langen Bibliografie.

CLI-Referenz

ontology_kb.py search <suchanfrage> [--limit N] [--section TEXT] [--kind ART] [--json]
ontology_kb.py show <slug-oder-name> [--json]
ontology_kb.py related <slug-oder-name> [--limit N] [--json]
ontology_kb.py sources <slug-oder-name> [--json]
ontology_kb.py status [--json]

Optionen können vor oder nach dem Unterbefehl stehen. Die CLI ist deterministisch, abhängigkeitsfrei und führt keine Netzwerkanfragen durch.